SLAM（Simultaneous Localization and Mapping，同步定位與建圖）是讓機器人「知道自己在哪裡、周圍長什麼樣子」的關鍵技術。沒有 SLAM，送餐機器人無法自主導航，清潔機器人也無法記憶清掃路線。
在商用機器人領域，大家口中的「傳統 SLAM」多半指以雷射雷達（LiDAR）為主的定位方式；Visual SLAM（VSLAM）則以攝影機影像為核心。兩者各有優勢，也有不同的場域限制。以下用實務角度說明差異，協助你在導入前做出正確判斷。
文章目錄
重點摘要
- 傳統 SLAM（雷射 SLAM）以 LiDAR 掃描環境距離，不受光線影響，室內定位穩定，是清潔機器人、倉儲 AMR 的主流方案。
- Visual SLAM以攝影機擷取環境特徵，硬體成本較低、資訊量豐富，但對光線變化、重複紋理較敏感。
- 愈來愈多高階商用機器人採用雷射 + 視覺融合的多模態 SLAM，兼顧穩定性與場域適應力。
- 選型時應看場域條件（光線、動線、是否半戶外），而非只看 SLAM 名稱。
一、SLAM 是什麼？為什麼機器人需要它？
SLAM 解決兩個同時進行的問題：
Localization（定位）
機器人在地圖中確認「我現在在哪裡」，才能規劃前往目標點的路徑。
Mapping（建圖）
機器人邊移動邊掃描環境，建立可供導航使用的地圖。
對餐廳送餐機器人而言，SLAM 讓它能從出餐口走到 12 號桌；對清潔機器人而言，SLAM 讓它記住哪條走道已掃過、哪裡還沒清。差別在於：用什麼感測器來「看」環境——這就是傳統 SLAM 與 Visual SLAM 的分野。
二、傳統 SLAM：以雷射雷達為核心
所謂「傳統 SLAM」，在商用機器人產業中通常指雷射 SLAM（LiDAR SLAM）。機器人頂部或側面安裝 2D 或 3D 雷射雷達，以旋轉掃描方式量測周圍牆壁、桌椅、柱子的距離，形成點雲地圖。
運作原理
- 雷射雷達發射光束，測量反射距離與角度。
- 演算法將連續掃描結果拼接成 2D 平面地圖或 3D 點雲。
- 機器人移動時，比對即時掃描與既有地圖，計算自身位置。
- 搭配避障感測器，動態繞開行人與臨時障礙物。
主要優點
- 不受光線影響：暗場、強光、燈光閃爍下仍能穩定定位。
- 距離量測精準：毫米至釐米級精度，適合需要精準到點的任務。
- 技術成熟、可預期性高：工廠、倉儲、商辦等結構化場域廣泛驗證。
主要限制
- 對玻璃、鏡面、黑色吸光物體反射不佳，可能產生定位誤差。
- 長廊、重複結構（如倉庫貨架）若特徵單調，可能出現定位漂移。
- 雷射雷達成本相較純視覺方案較高，且 3D LiDAR 體積與功耗更大。
三、Visual SLAM：以視覺影像為核心
Visual SLAM（VSLAM，視覺 SLAM）以攝影機（單目、雙目或 RGB-D 深度相機）擷取環境影像，透過辨識牆角、門框、招牌、地板紋理等視覺特徵點，建立地圖並即時定位。
運作原理
- 攝影機連續拍攝環境，演算法提取特徵點（Feature Points）。
- 追蹤特徵點在連續畫面中的位移，估算相機（機器人）的運動軌跡。
- 同時將特徵點三角化或深度估計，建構稀疏或稠密地圖。
- 結合 IMU（慣性測量單元）可提升快速移動時的穩定性。
主要優點
- 硬體成本較低：攝影機比高階 LiDAR 便宜，有利於消費級與輕量商用機型。
- 資訊量豐富：除定位外，可延伸用於物體辨識、人臉偵測、場景理解。
- 適合特徵豐富的環境：餐廳裝潢、飯店大廳、商場等有明顯視覺標記的場域表現良好。
- 部分方案支援半戶外：在光線充足的廊道、社區中庭等場景，VSLAM 可減少對固定軌道的依賴。
主要限制
- 對光線敏感：全暗、強逆光、燈光劇變時，特徵點難以穩定追蹤。
- 重複紋理易混淆：長廊、整排相同桌椅、單色牆面，視覺特徵不足時定位可能漂移。
- 動態物體干擾：大量移動的人流、推車若佔據畫面主體，可能影響建圖品質。
- 運算需求較高：影像處理比單純點雲匹配更耗算力，需較強的 onboard 處理器。
四、傳統 SLAM vs Visual SLAM 比較表
| 比較面向 | 傳統 SLAM（雷射 SLAM） | Visual SLAM（VSLAM） |
|---|---|---|
| 核心感測器 | 2D / 3D 雷射雷達（LiDAR） | 單目 / 雙目 / RGB-D 攝影機 |
| 定位依據 | 距離點雲、幾何輪廓 | 影像特徵點、紋理、深度 |
| 光線影響 | 幾乎不受影響 | 受光線、逆光、暗場影響較大 |
| 定位精度 | 高，毫米～釐米級常見 | 中高，依演算法與場域而異 |
| 硬體成本 | 雷射雷達成本較高 | 攝影機成本較低 |
| 玻璃 / 鏡面 | 反射異常，需額外處理 | 可透過視覺辨識，但需演算法支援 |
| 特徵單調場域 | 長廊、重複結構可能漂移 | 單色牆、重複紋理同樣有挑戰 |
| 延伸應用 | 主要用於導航與避障 | 可延伸物體辨識、人臉、場景理解 |
| 常見應用 | 清潔機器人、倉儲 AMR、工廠 AGV | 送餐機器人、迎賓機器人、部分社區遞送 |
| 部署速度 | 建圖快速，室內結構化場域成熟 | 無需軌道，動態場域彈性高 |
五、各自適合什麼場域？
- 大坪數清潔：商辦、工廠、倉儲、車間
- 光線不穩定：24 小時營運、燈光常變的場域
- 需要高精準到點：固定路線清掃、料架間配送
- 結構化、牆壁與柱體明顯的室內空間
- 跨樓層清潔需穩定定位的場景
- 餐廳、飯店、商場：裝潢與視覺特徵豐富
- 動態人流場域：需靈活繞行、路徑常變
- 光線充足的室內與半戶外廊道
- 需整合迎賓、導覽等視覺互動功能
- 快速部署、不想施工鋪軌的場域
六、多模態 SLAM：兩者融合的趨勢
實務上，越來越多高階商用機器人不再「二選一」，而是採用雷射 + 視覺融合的多模態 SLAM（Multi-modal SLAM）：
- 雷射負責穩定定位：在光線變化或特徵不足時，維持基礎定位精度。
- 視覺負責豐富感知：補足玻璃、低矮障礙物、動態物體的辨識。
- 互補短板：雷射怕鏡面、視覺怕暗場，融合後適應性更廣。
產業常見命名
- 雷射 SLAM + 視覺避障：清潔機器人常見配置，導航靠雷射、避障加視覺。
- VSLAM + 雷射 SLAM：部分遞送機器人強調半戶外與多樓層場景。
- Virtual SLAM：部分品牌對「無需硬體改造、軟體建圖導航」方案的統稱，底層可能融合多種感測器。
- 選型時建議問清楚：實際用哪些感測器、在您的場域如何建圖與驗證，比單看名詞更重要。
七、導入選型建議
評估 SLAM 方案時，建議從場域實際條件出發：
- 盤點光線條件：是否有全暗區、強逆光、頻繁開關燈？光線不穩則雷射 SLAM 或融合方案較穩。
- 觀察環境特徵：長廊、單色牆、大量玻璃？特徵單調時需現場建圖測試，不宜只看規格表。
- 確認任務類型：清潔覆蓋 vs 精準到點送餐，對精度與避障要求不同。
- 要求試跑驗證：在實際營運時段（含尖峰人流）試跑，比實驗室數據更有參考價值。
- 選有場勘經驗的整合商：SLAM 表現高度依賴場域，專業場勘與動線規劃能大幅降低導入風險。
立昇恆數位創新代理 OrionStar、Ounitech 等品牌，涵蓋雷射 SLAM 清潔機器人與 Virtual SLAM 服務型機器人，可依場域提供建圖、試跑與維運支援。