技術演進

時間軸與譜系

下圖每個節點是一筆已查證文獻，依書目年份與主題軌道排列。連線來自本站另行整理的譜系表：實線表示較晚文獻的已查證紀錄明載這個關係，虛線表示審閱者依主題歸類、原紀錄欄位沒有明載。節點形狀代表文獻類型，填色代表本研究實際讀到的程度；僅讀摘要的文獻只用來支持摘要層級的敘述。

時間軸能回答「某個方法從哪裡來、後來被誰沿用或比較」，不能回答「哪個方法最好」。性能數字只在下文附上資料集、條件與原文位置時出現。

六個主要轉變

每一段先陳述已查證文獻的內容，再以推論框標出本站對「根本改變」與「工程整合」的判讀。推論框中的判斷不是任何一篇論文的結論。

從機率濾波到圖最佳化

早期的隨機地圖（stochastic map）把機器人與所有物件之間的空間關係放進同一個狀態向量，保存完整共變異數，並以擴展卡爾曼濾波（extended Kalman filter, EKF）遞迴更新 (Smith et al., 1990, Sec. 2, 4.2.3)。Dissanayake 等人在線性高斯條件下證明這種形式的收斂性質，也指出運算與儲存量隨地標數平方成長 (Dissanayake et al., 2001, Sec. II.A, V)。另一條路線來自 Lu 與 Milios：多幅掃描的一致化配準被寫成位姿圖（pose graph）上的最大概似估計（maximum likelihood estimation） (Lu & Milios, 1997)，Cadena 等人認為現行 SLAM 後端的形式即源於此 (Cadena et al., 2016, Sec. II)。平方根平滑、iSAM 與 iSAM2 以稀疏分解與增量更新保留整條軌跡 (Dellaert & Kaess, 2006; Kaess et al., 2008; Kaess et al., 2012)，機器人學手冊的 SLAM 章節則把圖式方法描述為大尺度建圖的主流選擇 (Stachniss et al., 2016, Sec. 46.2.4)。

從停走掃描配準到移動中的 LiDAR 里程計

迭代最近點（iterative closest point, ICP）只保證單調收斂到最近的局部極小值；原文以多組初始旋轉逐一執行來處理全域配準（局部配準另加多組初始平移），不這麼做時，初始位姿就必須落在正確的收斂範圍內 (Besl & McKay, 1992, Sec. IV-B, V)；GICP 把點對點與點對平面 ICP 納入同一個機率框架 (Segal et al., 2009, Sec. III-A)，常態分布轉換（normal distributions transform, NDT）則以網格內的常態分布取代明確的點對應 (Biber & Strasser, 2003; Magnusson et al., 2007)。早期以多幅掃描建圖的系統常假設停下再掃描：Lu 與 Milios 明言假設機器人停下取得完整掃描 (Lu & Milios, 1997, Sec. 6)，早期的 6D SLAM 也以停走掃描（stop-scan-go）方式逐幅以 ICP 配準 (Nüchter et al., 2007)。Bosse 與 Zlot 改在移動中以連續時間軌跡修正旋轉雷射的運動畸變，但該方法沒有迴圈閉合，MATLAB 實作也未達即時 (Bosse & Zlot, 2009, Sec. III-IV)；LOAM 把同時負責去畸變（deskewing）的高頻里程計與低頻建圖分開，配準只用依局部平滑度挑出的邊緣點與平面點（建圖階段的特徵點約為里程計的十倍），地圖則由去畸變後的掃描點雲註冊累積而成，不限於特徵點 (Zhang & Singh, 2014, Sec. V-VI)。其後 FAST-LIO2 取消手工特徵、以原始點直接配準到地圖 (Xu et al., 2022)，KISS-ICP 則只保留點對點 ICP、等速運動去畸變與自適應對應門檻等少數元件，且不使用 IMU (Vizzo et al., 2023)。

從鬆耦合到緊耦合的 LiDAR-慣性估計

LIO-SAM 的作者把 LOAM 歸為鬆耦合（loosely coupled）：IMU 只用來去畸變與提供掃描配準的運動先驗，不參與最佳化 (Shan et al., 2020, Sec. II)。緊耦合（tightly coupled）則把 IMU 與 LiDAR 殘差放進同一個估計問題：LIO-mapping 在滑動視窗內聯合最佳化 IMU 預積分與平面殘差 (Ye et al., 2019)，LINS 採用以機器人為中心的迭代誤差狀態卡爾曼濾波 (Qin et al., 2020)，LIO-SAM 以 iSAM2 因子圖（factor graph）整合 IMU 預積分、LiDAR 里程計、GNSS 與迴圈因子 (Shan et al., 2020)，FAST-LIO 則以計算量取決於狀態維度的卡爾曼增益，讓大量點能在機載電腦上即時融合 (Xu & Zhang, 2021)。LIO-mapping 與 LIO-SAM 所用的 IMU 預積分（IMU preintegration），Forster 等人歸於 Lupton 與 Sukkarieh 的原始概念，並在 SO(3) 流形上重新推導 (Lupton & Sukkarieh, 2012; Forster et al., 2017a)。

多感測融合：從互相備援到共用地圖

V-LOAM 以單眼相機搭配掃描式 LiDAR：視覺里程計以影像速率提供運動，每次掃描執行一次的 LiDAR 里程計再精修運動，並消除視覺漂移造成的點雲畸變；方法不使用 IMU，也刻意不做迴圈閉合 (Zhang & Singh, 2015, Sec. I, IV-VI)。LIC-Fusion 在多狀態約束卡爾曼濾波（multi-state constraint Kalman filter, MSCKF）中緊密融合 IMU、視覺與 LiDAR 特徵，並線上估計三者之間的外參（extrinsic parameters）與時間偏移 (Zuo et al., 2019)。LVI-SAM 的 LiDAR-慣性子系統協助視覺-慣性子系統初始化並為視覺特徵提供深度，視覺里程計則作為掃描配準的初值；任一子系統偵測到失效時可被繞過 (Shan et al., 2021)。R3LIVE 以 LiDAR-慣性子系統重建幾何、以視覺-慣性子系統為地圖點上色，網格化與匯出工具只見於 arXiv 預印本，ICRA 正式版已刪去該節 (Lin & Zhang, 2022, Sec. IV-V; arXiv v1 Sec. VII-A)；FAST-LIVO2 讓 LiDAR 與視覺模組共用同一個自適應體素地圖，作者也指出像素級精度需要硬體同步與嚴格的外參預校正 (Zheng et al., 2025, Sec. I, V-A)。基礎設施巡檢應用中也可見整合取向：Charron 等人以營運中的一座鐵路橋與一座停車場為對象，其巡檢流程的線上 SLAM 重新實作 LVI-SAM 架構，並表明不主張其新穎性 (Charron et al., 2026, Sec. 3.1)。

地圖表示：從體積融合到神經場與高斯

Curless 與 Levoy 以加權有號距離函數融合已對齊的距離影像，並自述此法會使薄面增厚、尖角圓化 (Curless & Levoy, 1996, Sec. 7)。KinectFusion 把截斷符號距離函數（truncated signed distance function, TSDF）融合與 frame-to-model ICP 放上 GPU，作者也寫明系統適用於體積 7 m³ 以下（原文數值）的中型房間，整棟建築的室內會遇到記憶體與漂移問題 (Newcombe et al., 2011b, Sec. 6)。iMAP 以單一多層感知器（multilayer perceptron, MLP）作為唯一地圖，並把補出未觀測區域視為優點 (Sucar et al., 2021, Sec. 4.2)；三維高斯潑濺（3D Gaussian Splatting, 3DGS）以可微分光柵化最佳化高斯基元，目標是即時新視角渲染 (Kerbl et al., 2023)；SplaTAM 報告的幾何指標只有渲染深度 L1，沒有三維表面精度 (Keetha et al., 2024, Sec. 4)；VGGT-SLAM 作者則明言其重建不具公制尺度 (Maggio et al., 2025, Sec. 1)。LiDAR 路線的 PIN-SLAM 以神經點編碼距離場、具迴圈修正，並在 Newer College 以 TLS 參考地圖評估網格 (Pan et al., 2024, Sec. V-D1)。

評估從軌跡走向工地與任務

較早的建物場域測試可見於已完工建築：Thomson 等人在一段使用中的大學走廊比較兩種室內行動測繪系統，以 TLS 與全測站（total station）控制網為參考，門窗尺寸差異平均為數公分，作者結論是適合資產盤點與設施管理、不適合毫米級測量 (Thomson et al., 2013, Sec. 5, Tables 3-4)。近年的基準開始進入施工中工地：Hilti 2021 以全測站停走量測或動作捕捉提供稀疏真值，計分門檻依作者需要次公分精度的使用情境設定，但逐地點描述中只有 Construction Site 明確是工地 (Helmberger et al., 2022, Sec. III-D, IV, V)；Hilti-Oxford 的 Exp01 至 Exp06 位於施工中工地 (Zhang et al., 2023c)，Hilti 2023 加入施工機器人與多時段評估 (Nair et al., 2024)；ConSLAM 在同一工地每月重訪，以 LiDAR 掃描對 TLS 點雲的 ICP 配準取得軌跡真值 (Trzeciak et al., 2023)。

評估也從軌跡推向地圖：MapEval 以 TLS 或定點累積的參考地圖，在 ICP 對齊後計算全域與局部一致性指標，但沒有在工地測試 (Hu et al., 2025)。Li 等人的 AEC 綜述把工地的關鍵挑戰歸為環境物理因素，以及任務需求與 SLAM 輸出之間的錯配 (Li et al., 2026a, Sec. 5)；也有研究明言不提出新演算法，而是整合並依工地條件調整既有模組，在施工中的醫院門診大樓以遙控輪式機器人實測；但該文沒有說明實地軌跡真值的來源，地圖尺寸誤差也是以施工圖尺寸為參考，並非獨立量測 (Feng et al., 2026, Sec. 3, 5.1-5.2)。

讀圖時的限制

• 年份採書目年份；期刊文章的線上優先日期、會議版或預印本可能早於此年份，例如隨機地圖的 1990 年專書章節最早見於 1986 年的會議版。
• 軌道依本站的主題群集指派，一篇文獻只出現在一條軌道；跨主題的研究在其他軌道也可能有意義。
• 無 DOI、書目未完整查證或帶 MDPI 標記的紀錄不列入，因此部分重要的會議論文、預印本、軟體、專書與規範不在圖上，例如 FastSLAM、DROID-SLAM 與 ikd-Tree 預印本。
• 譜系表只收錄已查證紀錄明載的關係，以及少數標為虛線的審閱者歸類；它不是完整的引用網路，沒有連線不代表沒有關係。
• 節點的水平位置只代表年份，垂直位置只為避免重疊，都不代表影響力、引用數或性能。

各方法的技術欄位比較見方法圖鑑，每筆文獻的閱讀程度與出版狀態見參考文獻。