（MIT News）

在一場礦難救援中，時間意味著生命。想象一臺搜救機器人在部分坍塌的礦井中穿行：濃煙、碎石、扭曲的金屬梁。它必須在險象環生的環境中迅速繪制地圖，識別路徑，并精準定位自己的位置。

但要做到這一點并不容易。即便是當前最強大的人工智能視覺模型，一次也只能處理少量圖像。在真實災難救援場景中，時間分秒必爭，搜救機器人必須快速穿越大范圍區域，并在幾分鐘內處理成千上萬張圖像，才能完成任務。這種“算不過來”的限制，使得 AI 在真實世界的救援任務中顯得力不從心。

為解決這一難題，麻省理工學院（MIT）的研究人員借鑒了最新人工智能視覺模型與經典計算機視覺的思想，開發出一套能在數秒內完成三維重建的新系統

這套系統不依賴標定攝像頭，也不需要專家反復調參，卻能快速拼接出復雜環境的高精度 3D 地圖。對于救援機器人而言，這意味著在廢墟或礦井中，“看清楚”的速度將以倍數提升。

拼接難題與對齊破局

機器人導航領域有個繞不開的難題，叫SLAM（Simultaneous Localization and Mapping，同時定位與地圖構建）。顧名思義，機器人必須一邊繪制環境地圖，一邊確定自己在地圖上的位置。

傳統的 SLAM 依賴復雜的數學優化和精確的相機標定，往往在光線不足、場景復雜的情況下失效。于是研究者們轉向機器學習模型，希望 AI 能從海量數據中“學會看圖識地”。

可問題在于：這些模型的吞吐量太低。即使是最先進的系統，一次也只能處理幾十幀圖像。而要讓機器人穿越工廠、倉庫，或廢墟中的大片區域，就需要在短時間內分析數千張圖像，這是目前 AI 無法承受的計算負載。

MIT 的解決方案是化整為零。他們讓系統不是一次性重建整個場景，而是分批生成多個“子地圖”（submaps），再通過算法把這些子地圖拼接起來。這樣一來，模型每次仍只需處理少量圖像，卻能通過拼接快速還原大場景。

聽上去很簡單，但研究者最初嘗試時——失敗了。

主導這項研究的博士生 Dominic Maggio 回憶說：“我們一開始以為，只要像傳統方法那樣，通過旋轉和平移就能把子地圖拼起來。但結果并不理想。”

問題出在 AI 模型生成的子地圖往往帶有幾何形變。例如，一面本應筆直的墻在重建后可能出現輕微彎曲；房間的角度可能被拉伸。這些誤差會讓原本應當對齊的子地圖錯位。

于是，Maggio 開始翻閱上世紀 80、90 年代的計算機視覺論文。在那些“AI 之前的年代”，研究者早已提出了關于圖像對齊、形變補償等經典方法。

結合這些思路，團隊意識到：他們需要一個更靈活的數學框架，去描述和校正子地圖之間的變形關系。

AI 與幾何的再握手

在團隊導師、MIT 航空航天系副教授 Luca Carlone 的指導下，研究人員引入了一種來自傳統計算機視覺的數學工具，能夠表示并校正子地圖間的復雜變形。

通過這種方法，系統不僅能將子地圖對齊，還能確保所有局部重建的形變方向一致，從而拼接出連貫的整體場景。

最終，他們的 AI 系統可以在幾秒鐘內輸出：場景的高精度三維重建；每個攝像頭的位置估計；機器人在空間中的實時定位結果。而這一切，都無需專門的攝像頭標定或外部傳感器輔助。

“當 Dominic 找到把學習式方法與傳統優化結合的直覺后，剩下的工作就順理成章了，”Carlone說，“它既簡單，又高效，有潛力應用在許多實際場景中。”

該系統在速度和重建誤差上均優于其他方法，并且不需要特殊攝像頭或額外工具。研究人員僅用手機拍攝的短視頻，就生成了包括 MIT 教堂內部在內的復雜場景的近實時三維重建，平均誤差不到5厘米

這不僅能為搜救機器人帶來生死攸關的效率提升，還能拓展到更廣泛的領域——從VR/AR 頭顯的實時場景建模，到倉儲機器人的空間定位與路徑規劃。

如今的 AI 世界里，幾乎一切問題似乎都能交給神經網絡去學習。但 Carlone 認為，這項研究正好提醒人們：傳統幾何知識依然不可或缺。“了解傳統幾何是值得的。只要你真正理解模型的內部機制，就能獲得更好的結果，讓系統更具擴展性。”

在未來，團隊希望將這項技術應用到真正的現場救援任務中，讓機器人能在復雜、未知的環境中，又快又準地看見世界。

https://news.mit.edu/2025/teaching-robots-to-map-large-environments-1105