Exteroceptive sensor
机器人传感器可分为两大类。**本体感受传感器（Proprioceptive sensors）**测量机器人自身的内部状态（轮式编码器、IMU）。**外部感受传感器（Exteroceptive sensors）**测量外部环境——它们向外观察。SLAM从根本上建立在外部感受传感之上，因为建图需要观察世界，而纠正漂移则需要重新观察世界。
SLAM中的两大外部感受传感器主力：
相机。 被动、廉价、轻便、省电，且信息丰富（纹理、颜色、语义）。不同变体在几何信息与便利性之间做出不同的取舍：
- 单目——最简单，但没有度量尺度。
- 双目（立体）——两个已知基线 的相机可以给出度量深度；给定焦距 ，深度大约可分辨到 （即视差降至最小可测值 时对应的距离范围），且深度不确定性随距离呈平方增长。
- RGB-D——在彩色信息之外附带主动深度；密集但距离较短且对阳光敏感。
- 鱼眼/全景相机——视场角极宽，在汽车环视系统中很流行。
- 事件相机——以微秒级分辨率异步捕捉逐像素的亮度变化；没有运动模糊，动态范围极高。
相机的弱点正是其被动性的另一面：在黑暗、无纹理场景和严重运动模糊下会失效，且单个相机无法观测尺度。
LiDAR。 主动式：发射激光脉冲并测量回波时间，生成具有厘米级测距精度的三维点云，且基本不受环境光照影响。代价是价格、重量、功耗以及相比图像而言的数据稀疏性（没有纹理或颜色）。
其他外部感受模态
- 雷达（RADAR）——毫米波；测量距离，并通过多普勒效应测量径向速度。在雨、雾和尘土等LiDAR和相机都会退化的环境中依然稳健，代价是角分辨率要粗糙得多；在汽车SLAM中越来越多地作为耐候补充传感器使用。
- 声呐/超声波——声学测距；是水下（光衰减极快）的主要外部感受传感器，也是地面机器人上一种廉价的短距离接近传感器。
- GNSS/GPS——测量相对于卫星的位置；就性质而言是外部感受的，且无漂移，但室内不可用，在城市峡谷中会退化，因此在SLAM中它通常作为一个可选的绝对位置因子出现,而非核心传感器。
在估计问题中的角色
在SLAM问题中，区分外部感受测量与本体感受测量的关键属性是：外部感受观测能够纠正漂移。IMU或轮式编码器只能向前积分，因此其误差会无界增长。相机或LiDAR则可以识别之前见过的地标或地点，从而创建一条回溯到旧位姿的约束——这正是回环检测、重定位以及有界误差建图得以实现的原因。
在估计框架中，外部感受数据进入观测模型
将机器人状态 与地图 联系起来——对相机而言， 将三维地图点通过相机模型投影到预测的像素位置——而本体感受数据则进入运动模型。因子图中的每一个”回环检测因子”和”重投影因子”都是一个正在执行纠正漂移工作的外部感受测量。
由于这两类传感器以互补的方式失效，实际系统通常会将它们融合：视觉惯性里程计（相机+IMU）、LiDAR惯性里程计，以及完整的视觉-LiDAR-惯性系统。融合需要在传感器之间进行精确的空间和时间标定。
选择外部感受传感器
在每一次系统设计讨论中都会反复出现的一份速查清单：
- 光照与天气——黑暗环境排除了被动相机；大雨/浓雾/尘土倾向于选择雷达；直射阳光会损害许多RGB-D传感器。
- 所需精度与量程——数十米范围内的厘米级几何精度意味着LiDAR；房间尺度的AR意味着相机（+IMU）。
- 平台预算——无人机或手机上的重量、功耗和成本上限往往比性能更早地决定选择。
- 环境几何/纹理——无纹理走廊会让视觉”饥饿”；漫长的无特征隧道和开阔场地会让LiDAR”饥饿”；决定选择的是失效模式，而不是平均情况。
对SLAM的意义
你对外部感受传感器的选择决定了整个SLAM架构——基于特征、稠密还是点云流水线、你必须为之设计应对方案的失效模式，以及产品的成本/重量预算。阅读任何一篇SLAM论文都要从识别其传感器假设开始，本路线图后续的各个层级实际上正是按这一选择组织的（单目、RGB-D、双目、LiDAR融合、事件相机）。