SLAM学习路线图

专栏系列：SLAM从零到精通 |难度：初级 |预计阅读：30分钟
前置知识：无

📝 摘要

本文提供一份完整的SLAM学习路线图，覆盖数学基础、工具库栈、多线程编程、2D激光SLAM、3D激光SLAM及视觉SLAM等全部方向。从零基础到能独立实现完整SLAM系统，包含三条差异化学习轨道、每周微观计划模板、项目里程碑和面试自测题库，帮助读者高效规划SLAM学习路径。

📖 目录

• 一、内容全景
• 二、技能依赖关系
• 三、分阶段学习路线（标准路径：12周）
• 四、三条学习轨道
• 五、周学习计划模板
• 六、项目里程碑路线
• 七、各阶段核心问题自查
• 八、推荐学习节奏
• 九、补充学习资源
• 十、学习记录模板
• 附录：快速索引

一、内容全景

SLAM学习体系可以分为四大板块：数学理论、工程工具、多线程编程三大基础能力，以及在此之上的三大SLAM方向（2D激光、3D激光、视觉），共计20个核心学习模块。

┌──────────────────────────────────────────────────────────────────────────┐ │ SLAM 学习全景图 │ ├──────────────────────────────────────────────────────────────────────────┤ │ │ │ ┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐ │ │ │ 数学基础 │ │ 工具库栈 │ │ 多线程 │ │ │ │ │ │ │ │ │ │ │ │ 概率论+贝叶斯 │ │ 28个SLAM核心库 │ │ C++11-17线程 │ │ │ │ 李群李代数 │ │ Eigen/PCL/ │ │ 互斥锁/条件变量 │ │ │ │ 非线性优化 │ │ OpenCV/g2o/ │ │ 原子操作 │ │ │ │ Schur消元/BA │ │ Ceres/GTSAM │ │ ROS1/2多线程 │ │ │ │ 因子图/iSAM2 │ │ 完整安装+API │ │ SLAM三线程架构 │ │ │ └────────┬────────┘ └────────┬────────┘ └────────┬────────┘ │ │ │ │ │ │ │ └─────────────────────┼─────────────────────┘ │ │ │ │ │ ┌────────────────────────┼────────────────────────┐ │ │ │ │ │ │ │ ┌─────▼──────┐ ┌─────▼──────┐ ┌─────▼──────┐ │ │ │ 2D激光SLAM │ │ 3D激光SLAM │ │ 视觉SLAM │ │ │ │ │ │ │ │ │ │ │ │ M1 传感器 │ │ M1 点云特征│ │ M1 相机模型 │ │ │ │ M2 扫描匹配│ │ M2 激光里程│ │ M2 视觉里程│ │ │ │ M3 位姿图 │ │ M3 因子图 │ │ M3 BA后端 │ │ │ │ M4 完整系统│ │ M4 LIO系统 │ │ M4 ORB-SLAM3│ │ │ │ M5 数据融合│ │ │ │ │ │ │ └────────────┘ └────────────┘ └─────────────┘ │ │ │ │ 总计: 20个核心学习模块 │ │ 每个模块 = 理论+完整代码+测试+可视化 │ └──────────────────────────────────────────────────────────────────────────┘

学习模块全景

二、技能依赖关系

[Python + NumPy/Matplotlib] │ [C++ 基础 (C++11/14/17)] │ ┌───────────────┼───────────────┐ │ │ │ [线性代数] [概率论] [CMake/Linux] │ │ │ └───────────────┼───────────────┘ │ ┌───────────────┼───────────────┐ │ │ │ 数学理论基础 工具库栈 多线程编程 (概率/李群/ (28个核心库) (C++/ROS1/ROS2) 优化/因子图) │ │ │ │ │ └───────────────┼───────────────┘ │ ┌──────────────────────────┼──────────────────────────┐ │ │ │ ┌────▼─────┐ ┌─────▼──────┐ ┌──────▼──────┐ │2D激光SLAM │ │3D激光SLAM │ │ 视觉SLAM │ │(5模块) │ │(4模块) │ │ (4模块) │ │ │ │ │ │ │ │M1→M2→M3 │ │M1→M2→M3→M4 │ │M1→M2→M3→M4 │ │ ↓ │ │ │ │ │ │ M4 │ │ │ │ │ │ ↓ │ │ │ │ │ │ M5 │ │ │ │ │ └───────────┘ └─────────────┘ └──────────────┘

模块间依赖详细

2D-M1 传感器模型 ──→ 2D-M2 扫描匹配 ──→ 2D-M3 位姿图 ──→ 2D-M4 完整系统 │ ▼ 2D-M5 数据融合 3D-M1 点云特征 ──→ 3D-M2 激光里程计 ──→ 3D-M3 因子图 ──→ 3D-M4 LIO系统 V-M1 相机特征 ──→ V-M2 视觉里程计 ──→ V-M3 BA后端 ──→ V-M4 ORB-SLAM3

关键依赖说明：

• 每个系列的M1 → M2 → M3 → M4必须顺序学习
• 2D系列M4 → M5：M5需要M4的Submap概念
• 3D系列需要深入理解李群李代数(SO3/SE3)和因子图(iSAM2)理论
• 视觉系列需要深入理解Schur消元和雅可比推导方法
• 工具库知识可在任何阶段按需查阅
• 多线程知识可在任何阶段按需查阅

三、分阶段学习路线（标准路径：12周）

Phase 0 — 前置准备（1-2周）

目标：确保编程和数学基础过关

退出检查：

• 能不查资料写出 高斯消元 代码
• 能解释 协方差矩阵 的几何含义
• 能用CMake编译链接Eigen3

Phase 1 — 数学基础（2-3周）

目标：建立SLAM数学理论底座，能看懂论文公式

里程碑1：用Python完整实现一个3自由度2D位姿图优化（GN + 稀疏Cholesky）

Phase 2 — 工具库与多线程（2周）

目标：掌握SLAM开发工具链，理解C++多线程模型

里程碑2：编译运行一个ROS2节点，包含：Sensor线程（发布模拟数据）+ Tracking线程（打印pose）+ 线程安全队列

Phase 3 — 2D激光SLAM（2周）

目标：完成第一个完整SLAM方向，理解SLAM全流程

里程碑3：能从零写出2D-SLAM四步走：地图构建 -> 扫描匹配 -> 位姿图优化 -> Submap管理

Phase 4 — 3D激光SLAM（2-3周）

目标：掌握3D LiDAR SLAM，理解IMU紧耦合

里程碑4：能推导LOAM的点到线/点到面残差雅可比，理解IMU预积分和IESKF的区别

Phase 5 — 视觉SLAM（2-3周）

目标：掌握视觉SLAM，理解BA和ORB-SLAM3

里程碑5：能解释 ORB-SLAM3 的初始化->跟踪->局部建图->回环修正全流程

Phase 6 — 综合与项目实践（2-4周）

目标：将所学知识整合为实际项目能力

里程碑6：有一个能跑在真实数据集上、输出ATE/RPE指标的SLAM项目

四、三条学习轨道

并非所有人都需要走完标准12周路径。根据你的背景和目标，选择一条轨道：

轨道A：快速入门（4-6周）

适合：有ROS经验但缺SLAM理论，急着上手

Week 1: Phase 1(跳读) → 只学 李群李代数(SO3/SE3) + 非线性优化(GN/LM) Week 2: Phase 3(重点) → 2D-M1~M4 Week 3: Phase 4(重点) → 3D-M1+M2 Week 4-5: 在ROS2上跑通一个开源SLAM包(slam_toolbox/FAST-LIO2) Week 6: 补充学习工具库(遇到什么学什么)

跳过：因子图理论部分、视觉SLAM全部、多线程深入章节

轨道B：科班路线（12-16周）

适合：在读研究生/准备SLAM面试，追求系统性

按 Phase 0->1->2->3->4->5->6顺序执行，每个Phase不跳过。

额外要求：

• 数学基础部分的每章都动手推导
• 每个模块的实践都跑通并理解
• 在 Phase 6 读 FAST-LIO2 或 ORB-SLAM3 源码至少 3000 行

轨道C：专项突破（按需选择）

适合：已有SLAM基础，补某方向短板

只做2D LiDAR：Phase 0(跳过C++) -> Phase 1(前4天) -> Phase 3 (1-1.5周)

只做3D LiDAR：Phase 1(李群+优化+因子图重点) -> Phase 2(ROS+Ceres) -> Phase 4 (2周)

只做视觉SLAM：Phase 1(概率+优化+BA重点) -> Phase 2(OpenCV+g2o) -> Phase 5 (2-3周)

只补数学：Phase 1 全部 2-3周，每个推导都手写一遍

只补工程：Phase 2 + 多线程编程全文 (1-2周)

五、周学习计划模板

以**标准轨道 Phase 3（2D激光SLAM）**为例，展示一周的微观计划：

┌─────────────────────────────────────────────────────────────────┐ │ Week N 学习计划模板 │ ├─────────────────────────────────────────────────────────────────┤ │ │ │ 本周目标: 掌握2D激光传感器模型与扫描匹配 │ │ │ │ ┌──────────┬──────────────────────────────────────────────┐ │ │ │ 周一 │ 上午: 阅读2D SLAM架构设计 │ │ │ │ (3h) │ 下午: 学习激光扫描模型理论 │ │ │ │ │ 晚上: 运行代码 → 观察占据栅格地图 │ │ │ ├──────────┼──────────────────────────────────────────────┤ │ │ │ 周二 │ 上午: 深入理解 Bresenham 光线投射算法 │ │ │ │ (3h) │ 下午: 手写 log-odds 更新，对比代码实现 │ │ │ │ │ 晚上: 修改参数，观察地图变化 │ │ │ ├──────────┼──────────────────────────────────────────────┤ │ │ │ 周三 │ 上午: 学习 ICP 原理 │ │ │ │ (3h) │ 下午: 推导点到线距离 + SVD求解R │ │ │ │ │ 晚上: 运行代码，可视化匹配结果 │ │ │ ├──────────┼──────────────────────────────────────────────┤ │ │ │ 周四 │ 上午: 学习 PL-ICP 原理，对比ICP │ │ │ │ (3h) │ 下午: 理解相关匹配法 + 多分辨率策略 │ │ │ │ │ 晚上: 写一篇笔记总结三种匹配方法 │ │ │ ├──────────┼──────────────────────────────────────────────┤ │ │ │ 周五 │ 上午: M1+M2 代码联动：模拟连续帧匹配 │ │ │ │ (3h) │ 下午: 修改代码添加高斯噪声测试鲁棒性 │ │ │ │ │ 晚上: 复盘本周，整理疑问 │ │ │ ├──────────┼──────────────────────────────────────────────┤ │ │ │ 周末 │ 休息/查漏补缺 │ │ │ │ (2h可选) │ 读相关论文: "Real-Time Correlative Scan │ │ │ │ │ Matching" (Olson, 2009) │ │ │ └──────────┴──────────────────────────────────────────────┘ │ │ │ └─────────────────────────────────────────────────────────────────┘

六、项目里程碑路线

从学习到能面试/工作，建议按以下里程碑推进：

M0: 能写出基础数学推导 │ (高斯消元、GN优化、SO3/SE3 exp/log) │ M1: 能跑通第一个2D SLAM pipeline │ (模拟激光数据 → 占据栅格地图 → ICP匹配 → 轨迹输出) │ M2: 能跑通3D LiDAR里程计 │ (KITTI点云 → 特征提取 → 点到线/面优化 → 位姿输出) │ M3: 能跑通视觉里程计 │ (TUM图像 → ORB特征 → 对极几何 → 三角化 → 局部地图) │ M4: 理解后端优化 │ (位姿图/因子图/BA → 自己写一个优化后端) │ M5: 能读开源代码 │ (FAST-LIO2/ORB-SLAM3/VINS-Mono 源码阅读 >= 3000行) │ M6: 能在真实数据集上运行 │ (KITTI/TUM/EuRoC 跑通，用evo评估 ATE < 0.1m) │ M7: 能复现/改进算法 │ (复现一篇论文的算法，或对现有系统做改进) │ M8: 面试/工作级别 │ (能回答: EKF与BA的区别？IMU预积分推导？Schur消元原理？ │ 边缘化是怎么做的？回环检测如何验证？)

七、各阶段核心问题自查

完成每个Phase后，用以下问题自测：

Phase 1 数学基础

1. SO(3)为什么是3维的？SE(3)为什么是6维的？
2. 高斯牛顿法和LM法的区别？什么时候用哪个？
3. Schur消元为什么能加速BA？
4. 左扰动和右扰动求雅可比有什么区别？
5. 因子图的Bayes Tree是如何增量更新的？

Phase 2 工具库

1. Eigen::Map是什么？什么时候用？
2. Ceres的AutoDiff和AnalyticDiff各自优缺点？
3. GTSAM的iSAM2和固定滞后平滑的区别？
4. ROS2的CallbackGroup MutuallyExclusive vs Reentrant 怎么选？
5. 什么时候用std::unique_lock而不是std::lock_guard？

Phase 3 2D激光SLAM

1. 占据栅格地图为什么用log-odds而不用概率？
2. PL-ICP比ICP快在哪？精度为什么更高？
3. 位姿图中回环边的信息矩阵怎么设置？
4. Cartographer的Branch-and-Bound回环检测如何做到又快又准？
5. EKF融合和因子图融合的优缺点对比？

Phase 4 3D激光SLAM

1. LOAM中如何区分edge点和planar点？（曲率阈值的设置依据）
2. 点到线距离的雅可比为什么是1x6？
3. IMU预积分为什么要在manifold上做？
4. IESKF的迭代更新和EKF的根本区别？
5. ikd-Tree相比标准KD-Tree的改进在哪里？

Phase 5 视觉SLAM

1. 本质矩阵E为什么秩为2？自由度是多少？
2. 三角化的深度不确定性怎么评估？
3. BA中H矩阵的箭头形稀疏结构是怎么来的？
4. ORB-SLAM3为什么用三个线程？各自处理什么？
5. DBoW2的词汇树如何实现快速回环检测？

八、推荐学习节奏

九、补充学习资源

学完上述内容后，进一步深入时可参考：

编程实践

• 复现 FAST-LIO2：使用 ikd-Tree 的 LIO 系统 GitHub
• 复现 ORB-SLAM3：最完整的视觉SLAM GitHub
• VINS-Mono/Fusion：经典的VIO系统 GitHub
• Cartographer：Google的2D/3D SLAM GitHub

推荐书籍

• 《视觉SLAM十四讲》高翔 — SLAM入门首选中文教材
• 《State Estimation for Robotics》Tim Barfoot — 状态估计圣经
• 《Probabilistic Robotics》Thrun/Burgard/Fox — SLAM理论源头
• 《因子图在SLAM中的应用》Dellaert/Kaess — iSAM系列论文合辑

关键论文（按学习顺序）

1. ICP: Besl & McKay (1992) — “A Method for Registration of 3-D Shapes”
2. LOAM: Zhang & Singh (2014) — “LOAM: Lidar Odometry and Mapping in Real-time”
3. ORB-SLAM: Mur-Artal et al. (2015) — “ORB-SLAM: A Versatile and Accurate Monocular SLAM System”
4. iSAM2: Kaess et al. (2012) — “iSAM2: Incremental Smoothing and Mapping Using the Bayes Tree”
5. FAST-LIO2: Xu et al. (2022) — “FAST-LIO2: Fast Direct LiDAR-Inertial Odometry”
6. VINS-Mono: Qin et al. (2018) — “VINS-Mono: A Robust and Versatile Monocular Visual-Inertial State Estimator”

十、学习记录模板

建议在学每个模块时填写：

## 模块学习记录 - **模块**: [例如 3D-M3 因子图后端] - **日期**: 2026.05.22 - 2026.05.28 - **理论理解**: (4/5) - **代码运行**: 全部测试通过 - **关键收获**: 1. 理解了IMU预积分在manifold上的推导 2. 掌握了数值雅可比 vs 解析雅可比的差异 - **遗留问题**: 1. iSAM2的Bayes Tree增量更新还需要加深 2. 固定滞后平滑的窗口大小如何选择？ - **下一步**: 学习 3D-M4 LIO系统

附录：快速索引

最后建议：SLAM是一个工程性极强的领域，理论推导 + 代码实现 + 实际跑数据缺一不可。本系列文章的设计哲学是"每个公式都能在代码里找到对应实现"，建议在学习时保持"一边读公式推导，一边对着代码看变量"的习惯。

祝学习顺利！

📊 本文总结

• 核心要点1：SLAM学习分为四大板块：数学理论（概率/李群/优化）、工程工具（28个核心库）、多线程编程（C++/ROS1/ROS2）、三大应用方向（2D激光/3D激光/视觉）
• 核心要点2：标准12周路径为 Phase 0(前置) -> Phase 1(数学) -> Phase 2(工具+多线程) -> Phase 3(2D激光) -> Phase 4(3D激光) -> Phase 5(视觉) -> Phase 6(项目实践)
• 核心要点3：根据背景可选择三条轨道：快速入门(4-6周/轨道A)、科班路线(12-16周/轨道B)、专项突破(按需/轨道C)
• 核心要点4：每个SLAM方向遵循M1->M2->M3->M4的递进结构，必须顺序学习；工具库和多线程可在任何阶段按需查阅
• 核心要点5：从学习到面试的8个里程碑由浅入深，最终目标是能读懂开源代码、在真实数据集上运行、能回答SLAM核心面试题

🏷️ 标签

SLAM学习路线职业规划面试准备

📚 系列导航

• 上一篇：ROS C++多线程完全教程
• 下一篇：敬请期待
• 📖 返回系列目录