（MIT News）

在一场矿难救援中，时间意味着生命。想象一台搜救机器人在部分坍塌的矿井中穿行：浓烟、碎石、扭曲的金属梁。它必须在险象环生的环境中迅速绘制地图，识别路径，并精准定位自己的位置。

但要做到这一点并不容易。即便是当前最强大的人工智能视觉模型，一次也只能处理少量图像。在真实灾难救援场景中，时间分秒必争，搜救机器人必须快速穿越大范围区域，并在几分钟内处理成千上万张图像，才能完成任务。这种“算不过来”的限制，使得 AI 在真实世界的救援任务中显得力不从心。

为解决这一难题，麻省理工学院（MIT）的研究人员借鉴了最新人工智能视觉模型与经典计算机视觉的思想，开发出一套能在数秒内完成三维重建的新系统

这套系统不依赖标定摄像头，也不需要专家反复调参，却能快速拼接出复杂环境的高精度 3D 地图。对于救援机器人而言，这意味着在废墟或矿井中，“看清楚”的速度将以倍数提升。

拼接难题与对齐破局

机器人导航领域有个绕不开的难题，叫SLAM（Simultaneous Localization and Mapping，同时定位与地图构建）。顾名思义，机器人必须一边绘制环境地图，一边确定自己在地图上的位置。

传统的 SLAM 依赖复杂的数学优化和精确的相机标定，往往在光线不足、场景复杂的情况下失效。于是研究者们转向机器学习模型，希望 AI 能从海量数据中“学会看图识地”。

可问题在于：这些模型的吞吐量太低。即使是最先进的系统，一次也只能处理几十帧图像。而要让机器人穿越工厂、仓库，或废墟中的大片区域，就需要在短时间内分析数千张图像，这是目前 AI 无法承受的计算负载。

MIT 的解决方案是化整为零。他们让系统不是一次性重建整个场景，而是分批生成多个“子地图”（submaps），再通过算法把这些子地图拼接起来。这样一来，模型每次仍只需处理少量图像，却能通过拼接快速还原大场景。

听上去很简单，但研究者最初尝试时——失败了。

主导这项研究的博士生 Dominic Maggio 回忆说：“我们一开始以为，只要像传统方法那样，通过旋转和平移就能把子地图拼起来。但结果并不理想。”

问题出在 AI 模型生成的子地图往往带有几何形变。例如，一面本应笔直的墙在重建后可能出现轻微弯曲；房间的角度可能被拉伸。这些误差会让原本应当对齐的子地图错位。

于是，Maggio 开始翻阅上世纪 80、90 年代的计算机视觉论文。在那些“AI 之前的年代”，研究者早已提出了关于图像对齐、形变补偿等经典方法。

结合这些思路，团队意识到：他们需要一个更灵活的数学框架，去描述和校正子地图之间的变形关系。

AI 与几何的再握手

在团队导师、MIT 航空航天系副教授 Luca Carlone 的指导下，研究人员引入了一种来自传统计算机视觉的数学工具，能够表示并校正子地图间的复杂变形。

通过这种方法，系统不仅能将子地图对齐，还能确保所有局部重建的形变方向一致，从而拼接出连贯的整体场景。

最终，他们的 AI 系统可以在几秒钟内输出：场景的高精度三维重建；每个摄像头的位置估计；机器人在空间中的实时定位结果。而这一切，都无需专门的摄像头标定或外部传感器辅助。

“当 Dominic 找到把学习式方法与传统优化结合的直觉后，剩下的工作就顺理成章了，”Carlone说，“它既简单，又高效，有潜力应用在许多实际场景中。”

该系统在速度和重建误差上均优于其他方法，并且不需要特殊摄像头或额外工具。研究人员仅用手机拍摄的短视频，就生成了包括 MIT 教堂内部在内的复杂场景的近实时三维重建，平均误差不到5厘米

这不仅能为搜救机器人带来生死攸关的效率提升，还能拓展到更广泛的领域——从VR/AR 头显的实时场景建模，到仓储机器人的空间定位与路径规划。

如今的 AI 世界里，几乎一切问题似乎都能交给神经网络去学习。但 Carlone 认为，这项研究正好提醒人们：传统几何知识依然不可或缺。“了解传统几何是值得的。只要你真正理解模型的内部机制，就能获得更好的结果，让系统更具扩展性。”

在未来，团队希望将这项技术应用到真正的现场救援任务中，让机器人能在复杂、未知的环境中，又快又准地看见世界。

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