新买的扫地机器人第一次工作，往往会在原地转上几圈，然后沿着墙壁走一圈，之后才开始弓字形清扫。你可能会好奇：它怎么知道哪里是墙、哪里是沙发？更神奇的是，第二次清扫时，它似乎已经“记住”了房间布局，直接按规划好的路线走。这背后靠的是激光雷达（LiDAR）和SLAM（同步定位与建图）算法。本文要回答的问题就是：扫地机器人如何通过激光雷达扫描和SLAM算法，在陌生环境里一边定位自己，一边构建房间地图，以及为什么家具移动后地图需要更新。
早期扫地机器人没有导航系统，只能随机碰撞转向，清扫路线杂乱无章，经常漏扫或重复扫。如今中高端产品普遍配备导航系统，其中激光导航是主流方案。激光导航的核心是激光雷达传感器，它像一只旋转的眼睛，不断发射激光束测量周围障碍物的距离，再配合SLAM算法，让机器人既知道自己在哪里，也知道周围环境长什么样。
激光雷达如何“看”房间
激光雷达的工作原理并不复杂：它朝一个方向发射一束激光，激光碰到墙壁或家具后反射回来，被传感器接收。由于光速是已知的，只要记录激光从发射到返回的时间，就能算出机器人与障碍物之间的距离。这种测距方式叫飞行时间法（ToF），就像你对着山谷喊话，根据回声的时间判断山有多远。
但单束激光只能测一个点，要让机器人“看”到整个房间，激光雷达需要旋转起来。扫地机器人顶部的激光雷达通常以每秒数圈的速度旋转，每转一圈就向周围发射数百次激光脉冲，获得一圈360度的距离数据。这些数据点连起来，就形成了机器人所在位置的周围环境轮廓——比如左边1米是墙，前方0.5米是沙发腿。
旋转扫描得到的是二维平面信息，也就是机器人所在高度的水平切面。所以扫地机器人只能感知到与它同高度的障碍物，比如家具腿、墙壁，但低矮的电线或高处的桌沿可能检测不到，这也是它有时会卡住或漏扫的原因。
SLAM：一边走一边画地图
有了激光雷达的距离数据，机器人就能“看到”周围，但它还不知道自己在房间里的确切位置。SLAM算法要解决的就是这个问题：机器人在未知环境中移动时，如何同时确定自己的位置和构建环境地图。这有点像你在一个陌生的黑屋子里，一边摸索一边在脑子里画地图，同时还要知道自己走到了哪里。
SLAM的流程可以这样理解：机器人先通过激光雷达扫描周围环境，得到一组距离数据，这组数据对应着当前位置的局部地图。然后机器人移动一小段距离，再扫描一次。算法会比较两次扫描的重叠部分，推断出机器人移动了多远、转向了多少。同时，新的扫描数据会拼接到已有的地图上，地图就逐渐扩大。这个过程不断重复，机器人的位置和地图就同步更新。
为了更准确地估计位置，扫地机器人还会使用轮式编码器（记录轮子转数）和惯性测量单元（测量加速度和角速度）等传感器。这些传感器提供运动信息，但会随时间累积误差，比如轮子打滑或地面不平都会导致偏差。激光雷达的扫描匹配则像一个“校正器”，每次扫描都能重新校准位置，消除累积误差。这就是为什么激光导航比单纯依靠轮子计程要精确得多。
粒子滤波与图优化：两种定位建图思路
SLAM算法有不同实现方式，扫地机器人常用的是粒子滤波和图优化。粒子滤波的思路是：用大量随机猜测的“粒子”代表机器人可能的位置，每个粒子都带有一个地图假设。机器人移动后，粒子跟着移动；机器人扫描后，算法根据扫描数据与地图的匹配程度给每个粒子打分，匹配度高的粒子保留并复制，匹配度低的被淘汰。经过多次迭代，粒子会逐渐集中到真实位置附近，地图也随之收敛。
图优化则是另一种思路：把机器人在不同时刻的位置和观测到的环境特征看作图的节点，节点之间的约束关系（比如两次扫描的重叠）看作边。算法通过调整节点位置，使所有约束的误差总和最小，从而得到最优的轨迹和地图。图优化在计算效率上通常更高，适合大型环境，但实现更复杂。
对于扫地机器人来说，粒子滤波更常见，因为它能处理非线性的运动模型，且实现相对简单。但粒子滤波需要大量粒子才能保证精度，计算量较大。图优化在近年来的产品中也有应用，尤其是当房间面积大、地图复杂时，图优化能更好地保持全局一致性。两种方法各有优劣，但最终目标都是让机器人知道自己在哪里，并生成一张可用的地图。
为什么家具移动后地图需要更新
你可能会发现，如果挪动了沙发或椅子，扫地机器人有时会“撞”上去，或者地图上出现奇怪的障碍物。这是因为机器人保存的地图是基于上次清扫时的环境。当家具位置改变，激光雷达扫描到的距离数据与地图不匹配，机器人就需要重新定位并更新地图。
在SLAM过程中，机器人会不断将当前扫描与已有地图进行匹配。如果匹配失败，机器人可能暂时迷失位置，这时它会尝试重新定位，比如旋转扫描寻找特征点。如果环境变化太大，机器人可能无法匹配，只能重新建图。这也是为什么有些扫地机器人在大扫除后需要重新清扫一遍才能更新地图。
地图更新机制因产品而异。有的机器人每次清扫都会实时更新地图，有的则定期更新。一些高端产品支持“快速建图”模式，让机器人先快速扫描一圈生成地图，再开始清扫，这样能减少清扫过程中的不确定性。但无论如何，地图的准确性依赖于环境的稳定性，频繁移动家具会增加机器人的定位难度。
激光导航 vs 视觉导航：优劣对比
除了激光导航，市场上还有视觉导航的扫地机器人。视觉导航使用摄像头拍摄环境图像，通过分析图像特征来定位和建图。它的优点是成本较低，因为摄像头比激光雷达便宜，所以采用视觉导航的产品价格通常更低。但视觉导航对光线敏感，在暗处或强光下性能下降，而且图像数据量大，处理单元负荷较高。
激光导航则更稳定、精度更高，不受光线影响，构建的地图可直接用于路径规划。但激光雷达成本较高，导致产品价格偏贵。不过随着技术成熟，激光雷达的成本正在下降，越来越多的中端产品也开始配备激光导航。
下表总结了两种导航方式的主要差异：
| 对比维度 | 激光导航 | 视觉导航 |
|---|---|---|
| 传感器 | 激光雷达 | 摄像头（单目/双目） |
| 测距原理 | 激光飞行时间或三角测距 | 图像视差或特征匹配 |
| 精度 | 高，误差小 | 中等，受光线影响 |
| 环境适应性 | 不受光线影响 | 暗处性能差 |
| 成本 | 较高 | 较低 |
| 地图可用性 | 直接用于路径规划 | 需额外处理 |
选择哪种导航方式，取决于你的预算和对清扫效率的要求。如果家里光线充足、家具不多，视觉导航也能胜任；如果希望机器人更聪明、更稳定，激光导航是更可靠的选择。
理解导航技术，选对扫地机器人
了解了激光雷达和SLAM原理，你就能看懂产品宣传中的“激光导航”“智能规划”等术语。下次挑选扫地机器人时，可以关注它是否配备激光雷达，以及是否支持地图保存和更新功能。当然，导航只是扫地机器人的一部分，清洁能力、续航、噪音等也很重要。但至少，当你看到它在原地转圈时，你知道它正在“思考”房间的布局，而不是在发呆。