在感知技术的选择上，我们采用了 SLAM 的策略。SLAM 的概念是：同时进行自身定位与地图构建。因为在当下大多数无人驾驶的场景下，机器人事先并不会有关于地图的全部知识，需要在运动的过程中边建图边决策，并且在建图之后就可以运用旧有的地图知识进行导航而并不需要每一次都重新分析，减小了地图更新的代价。

SLAM 技术路线按照传感器分类有如下几种：

类型 适用场景 特点
二维激光SLAM 室内 成本低
三维激光SLAM 室外 成本高、信息量较大
视觉SLAM 室内室外通用 信息量丰富

激光 SLAM 比视觉 SLAM 起步早，在理论、技术与产品上都比较成熟。而视觉 SLAM 现在也有基于 RGBD 的深度摄像机，比如 Kinect。以及基于单目、双目和鱼眼摄像头的。其中 RGBD 深度摄像机具有信息量大的优势，我们可以额外借助颜色信息来判断位姿的变化以及选取参考点，可以更好地帮助我们进行场景相关的决策。另一方面，激光雷达的成本较高，而摄像头的成本就要低很多。

不过视觉 SLAM 也有一些缺点，一是受环境光的影响较大，在光线较暗的场景或无纹理的区域无法工作。并且运算负荷也比较大，另外在地图构建的时候还存在累计误差。为了解决这一问题，我们需要设计有回环检验的 SLAM 算法。于是我们选择 ORB3-SLAM 框架。