一、技术挑战人形机器人双足步态使其感知基座持续“浮动”传统为轮式平台设计的SLAM面临系统性困境核心难点包括感知基座不稳定。机器人运动时传感器始终晃动双足冲击导致高速度下姿态估计精度下降。SLAM需在“自知晃动”的前提下融合数据。视野自遮挡与视场局限。手臂、躯干和头部相互遮挡头部安装的传感器随“低头”“转头”持续改变参考系增加特征匹配与坐标转换难度。动态环境干扰。真实场景中动态物体是常态而传统SLAM基于静态假设。机器人自身运动易造成几何一致性误判将静态特征错标为动态。近年趋势从“剔除动态”转向“理解动态”为动态建立显式概率模型。浮动基座耦合。传感器位于不同刚体头部摄像头、躯干IMU、足底接触需估计髋部或躯干重心在世界系中的位姿要求SLAM与运动学/动力学模型深度耦合。实时性与算力约束。人形机器人边缘算力有限需在稳定行走中完成高频定位建图必须整合多模态输入并满足实时性。二、算法综述人形机器人SLAM经过滤波→图优化→深度学习三阶段演进当前沿三条技术路线展开视觉SLAMV-SLAM。成本低、信息丰富。RGB-D搭配V-SLAM是室内纠正行走漂移的“金标准”但视野受限。360°全景相机可在任意朝向观测可靠特征。动态场景中DKB-SLAM结合光流与高斯分布在YOLO检测框内滤除动态点。激光SLAM。静态环境中性能优越但动态物体会显著降低精度。现有框架发展出在线实时、离线后处理、终身SLAM等多种动态处理策略。语义与融合SLAM。语义信息正在改变范式。典型方法从单张RGB图像推断3D语义占据图同时预测几何占据与语义类别车辆、道路、行人等在10Hz以上达到80%空间预测精度。视觉-惯性SLAMVINS与人形机器人尤为相关通过IMU补偿双足行走的特征运动。整体技术谱系涵盖传统几何SLAM、多模态融合SLAM和神经隐式SLAM。三、代表性开源方案简要FAST_LIO_LOCALIZATION_HUMANOID格灵深瞳适配人形雷达安装方式局部子图与历史地图配准精度≤2cm延时≤30ms。LIO-SAMMIT因子图紧耦合激光惯性里程计iSAM2优化室内结构化场景绝对误差0.25m。FAST-LIO2港科大IEKFikd-Tree直接配准原始点云无需提取特征低纹理/动态环境鲁棒。VINS-Fusion港科大优化紧耦合支持IMU单目/双目GPS。MOLA模块化C/ROS 2 SLAM框架cuVSLAMNVIDIACUDA加速视觉里程计DKB-SLAM专攻复杂动态场景。人形机器人SLAM正从“堆传感器”走向“感知-本体”一体化模型驱动与数据驱动的混合范式成为主流方向。