在SLAM（同步定位与地图构建）技术快速发展的今天，许多人好奇：为什么主流落地系统依然坚持使用传统特征提取方法（如ORB-SLAM中的FAST和BRIEF），而不采用在CV领域已广泛应用的神经网络（如VGG、GCN）来提取特征？这篇教程将深入剖析背后的原因，从算力成本、实际效果、工程落地等多个维度，为你解开这个“技术选择之谜”。

一、核心原因：算力与成本的限制

SLAM本质上是一门工程化应用技术，算力成本是决定技术选型的首要因素。

• 传统特征方法：如FAST角点检测和BRIEF描述子，速度快、算力低，完全可以在普通CPU上实时运行。
• 深度学习特征方法：例如SuperPoint、R2D2等神经网络，需要依赖GPU进行推理。除了GPU本身的成本，深度学习特征还会带来额外的CPU和内存开销（加载模型、预处理数据等）。

对于大多数工业落地场景（如扫地机器人、无人机、AR眼镜），设备通常采用嵌入式平台（例如TX2这类面向嵌入式的GPU），其耗电和成本非常可观。即便有FPGA或定制ASIC能够解决算力与功耗问题，但这些方案在学术界难以复现，且开发门槛高，导致落地进展缓慢。