掃地機器人真正的導航差別，不是「LiDAR 一定高階、相機一定次一級、陀螺儀一定低階」，而是機器靠什麼訊號持續回答兩個問題：我現在在哪裡？周圍環境長什麼樣？LiDAR 以雷射測距取得周圍距離輪廓；視覺 SLAM 從相機影像中的特徵與相對運動估計位置；輪速里程計與 IMU 則從輪子轉動與慣性變化累積位移。實際產品常把幾種訊號融合，而 ToF、碰撞桿、懸崖感測器又主要負責近距離避障。選購時應把「定位建圖」與「眼前避障」拆開看，否則很容易看到有地圖就以為不會撞線、有相機就以為一定認得襪子。
想要多房間地圖、禁區與回充路徑穩定，先看機器是否有可靠的外部環境量測來修正里程誤差，而不是只看感測器名稱。LiDAR 對平面幾何建圖很直接，也不依賴室內可見光照明；視覺系統可從影像取得較豐富的場景資訊，但效果取決於光線、紋理、鏡頭位置與演算法；只靠輪速／陀螺儀累積位移的系統，若缺少外部參照持續校正，長距離後較容易累積漂移。至於低矮電線、襪子、家具腳、門檻與樓梯，則要另外看局部避障、離地高度與機械通過能力。
先分兩層：導航在找位置，避障在處理眼前的東西
「導航」其實包含定位、建圖、路徑規劃幾個步驟。SLAM 是 simultaneous localization and mapping，也就是一邊估計自己的位置，一邊建立或更新環境地圖。Google 的 2D LiDAR SLAM 研究便是利用雷射掃描資料做 scan-to-submap matching，再透過 loop closure 修正累積誤差；視覺 SLAM 則可從單目、雙目或 RGB-D 相機的特徵與運動估計位置，必要時再融合 IMU。
但「知道自己在客廳東南角」不等於「看得見前方 4 公分高的襪子」。局部避障可能由前方 ToF、紅外線、結構光、雙目／RGB-D、超音波、碰撞桿等負責；懸崖感測器又是另一組任務。ST 的多區 ToF 感測器技術文件就把量測距離、多目標偵測列為核心功能，這種近距離距離資訊可用於避障，但它本身不是完整的全屋地圖。
因此如果你是因為地上灰塵、毛髮很多才考慮掃地機器人，先看房間灰塵來源與沉降位置怎麼判斷。掃地機器人主要處理已沉降在地面的髒污；對懸浮粒子，仍要把室內 PM2.5 量測與空氣清淨機開著仍積灰的原因分開處理。
| 導航主訊號 | 怎麼知道自己在哪 | 最有價值的地方 | 主要交換條件 | 不能自動代表什麼 | 選購時核對 |
|---|---|---|---|---|---|
| 2D LiDAR／雷射測距 | 掃描周圍牆面與物體距離，與既有地圖或子地圖比對 | 平面幾何輪廓直接，適合重複定位與房間分區 | 感測高度、鏡面／透明表面、機身上方雷射塔結構都可能影響實作 | 不代表一定認得低矮雜物，也不代表一定跨得過門檻 | 地圖保存、重定位、禁區、感測器高度、局部避障配置 |
| 相機／Visual SLAM | 追蹤影像特徵、相對運動與場景變化估計位置 | 影像資訊豐富，可與物件辨識、語意避障結合 | 光線、低紋理表面、鏡頭髒污與演算法品質會影響可用特徵 | 有鏡頭不代表一定有物件辨識，也不代表影像一定只在本機處理 | 夜間導航、隱私政策、鏡頭位置、是否有補光／深度感測 |
| 輪速里程計＋IMU／陀螺儀為主 | 從左右輪轉動量與角速度積分估算位移與轉向 | 成本與硬體簡潔，短距離姿態估計很重要，也常作其他 SLAM 的輔助 | 打滑、地毯、輪徑誤差與長時間積分會累積位置偏差 | 不代表一定能保存高穩定全屋地圖 | 是否另有牆面／視覺／雷射校正、回充成功率、地圖功能 |
| ToF／深度／碰撞等局部避障 | 量測眼前距離、深度或直接偵測碰撞 | 處理家具腳、局部障礙、沿牆與安全距離 | 視角、感測高度、物體材質與尺寸都會形成盲區 | 不能單獨等同全域導航與房間地圖 | 小物偵測尺寸、低矮物、線材、夜間與邊角表現 |
LiDAR：用距離輪廓定位，重點不是「有雷射」三個字
2D LiDAR 類導航通常讓雷射掃描器在固定高度量測四周距離，產生一圈平面 range scan。當機器往前走，新一圈掃描會與前一段地圖比對；回到曾經走過的位置時，SLAM 系統可以透過 loop closure 把前後資料重新對齊，降低一路累積的位移誤差。Google Cartographer 的研究就是這類 2D range data SLAM 的代表案例。
它的一個實用優勢，是距離量測本身不需要房間亮到讓一般相機看清細節，所以晚上關燈仍可以做幾何定位。不過這不等於「黑暗環境下所有功能都完全一樣」：若同一台機器的物件辨識依賴 RGB 相機，局部避障仍可能受到照明影響。若你常讓機器夜間工作，可以先用臥室照度怎麼量掌握實際光線，再確認原廠是否標示夜間物件辨識需要補光。
另一個常被忽略的是感測高度。雷射掃描平面通常只看到某一個高度切面；比雷射平面低很多的細線、扁平玩具或落地布料，可能不在主 LiDAR 的視野內，所以產品仍需要前向深度感測、碰撞桿或其他近距離感測器。家裡若有大量移動家具，模組、移動與固定家具的結構差異與家具腳輪種類與轉向結構也會改變每天的地圖幾何；頻繁把桌椅、推車換位置，任何導航系統都要重新面對環境變動。
視覺 SLAM：不是「拍照導航」而已，而是追蹤可以重複辨認的場景特徵
視覺 SLAM 會從影像找出可追蹤的角點、邊緣、紋理或其他特徵，利用連續畫面之間的位移與幾何關係估計相機姿態，再建立地圖。ORB-SLAM3 這類學術系統可使用單目、雙目、RGB-D，亦可把視覺與慣性資料整合；這說明「相機導航」其實是一整套感知與最佳化，而不是鏡頭一裝上去就自然會有穩定地圖。
視覺路徑的交換條件是：它需要可辨認、可重複追蹤的影像資訊。極暗、強烈反光、大片單色牆面、鏡頭沾灰或快速運動造成的模糊，都可能讓特徵品質下降；實際產品是否能處理，要看鏡頭、補光、影像處理與其他感測器融合。相反地，影像資訊也可能支援更複雜的物件辨識，例如把鞋子、線材、寵物排泄物分成不同類別，但這是額外的模型與產品功能，不能從「有視覺 SLAM」直接推論。
如果家裡有寵物，導航需求也不只是毛髮量。地上玩具、水碗、移動中的動物都會改變局部路徑；可搭配有寵物臥室的空氣清淨機擺位，把地面毛髮清潔與空氣中的皮屑／懸浮粒子分成兩個問題。對過敏家庭亦同理，過敏臥室夜間空氣清淨不能被掃地機器人取代。
只靠輪速與陀螺儀為主：短距離很有用，問題在誤差會一路累積
輪速里程計通常由左右驅動輪的編碼器估算走了多遠、轉了多少；IMU／陀螺儀則補充角速度與姿態變化。這些訊號不是「低階才用」，事實上 LiDAR SLAM 與 visual-inertial SLAM 也常用里程計或 IMU 做短時間預測。真正差別是：如果系統主要靠內部運動量一路積分，外界又沒有足夠的牆面、雷射或視覺參照把位置拉回來，輪子打滑、地毯阻力與微小輪徑誤差會逐步變成地圖漂移。
ROS 的 SLAM Toolbox 文件便明確把 odometry 與 LiDAR scan 一起使用，並提醒定位品質與里程計品質、系統調校密切相關。換句話說，「有陀螺儀」不是完整導航規格；你真正要問的是機器用什麼外部資料校正長時間誤差、地圖能否保存、搬動後能否重定位，以及回充時是否能穩定找到基座。
ToF、深度相機與防跌落感測器：它們補的是盲區，不是取代 SLAM
Time-of-Flight 感測器會送出光訊號並依返回時間或相位資訊估算距離。ST 的 VL53L5CX 技術資料顯示，多區 ToF 可以同時量測多個區域中的多個目標；用在家用機器人時，價值通常是補前方距離與局部障礙，而不是單靠一顆 ToF 做完整全屋定位。
防跌落則常由朝向地面的感測器處理樓梯或落差，碰撞桿負責最後一道接觸偵測。這也是為什麼「導航很準」與「不會卡住」必須分開。IEC 62849:2025 對一般室內家用機器人把 navigation、obstacle avoidance、ramp、lighting effects、transition／threshold overcoming 分成不同評估項目；雖然掃地機器人的專屬性能仍優先看 IEC/ASTM 62885-7，但這個分類很能說明一件事：會定位、會避障、會跨門檻是不同能力。
家具底部亦是一個純機械限制。即使地圖知道床底有空間，機身高度若進不去就沒有用；收納床、抽屜床與架高床的底部形態不同，可先看掀床、抽屜床與架高床的結構差異，再量實際離地高度，而不是只看 App 顯示的可清掃區。
真正容易讓掃地機器人失敗的，常常是環境而不是演算法名稱
第一類是線材。充電線、細延長線、窗簾拉繩與落地布料都可能低於主導航感測平面，被側刷或主刷捲入。標準檢驗局的掃地機器人使用提醒也特別提到避免被電線纏繞，並要求使用附屬充電座。家裡如果線材本來就多，可一起看窗簾與百葉拉繩安全與延長線與高功率電器用電安全；雖然掃地機器人本身不是高功率家電，但基座周圍的插座與線路仍應固定、不要鬆脫或散在清掃路徑上。
第二類是反覆改變的家具位置。每天把椅子、推車、寵物碗放到不同位置，演算法必須在舊地圖與新觀測之間取捨；更新太慢會撞到新障礙，更新太積極又可能把臨時物品當成永久牆面。這不是哪一個導航類型可以完全消除的問題。
第三類是門檻、厚地毯與落差。導航系統可以規劃「去那裡」，但馬達扭矩、輪徑、懸吊、底盤離地高與防跌落邏輯決定「能不能真的過去」。所以別用地圖截圖代替實際通過能力。
維護：鏡頭、雷射窗、輪子與懸崖感測器都會把髒污變成定位誤差
導航元件不是永久免維護。鏡頭表面積灰會降低對比；LiDAR 透明窗或保護罩沾污可能減少有效量測；輪子卡毛會改變里程計實際位移；懸崖感測器沾灰則可能增加誤判。清潔方式要依原廠說明，尤其不要把清潔液直接噴進光學窗、雷射塔或接點。
另外，感測器乾淨不代表耗材不用管。刷毛纏繞、濾網堵塞、電池老化與基座集塵袋都是另一條持有成本路徑。若你要把導航之外的長期成本一起算，可以再看本站的掃地機器人耗材與電池成本頁；但判斷導航時，先不要被「自動集塵」「自動洗拖布」等基座功能轉移注意力。
選購時不要問哪個導航最好，改問這 7 件事
- 地圖靠什麼外部訊號校正？是 LiDAR、相機、深度感測，還是主要靠輪速與陀螺儀？
- 定位與避障是否分工？主導航感測器之外，有沒有前向深度、ToF、碰撞與懸崖感測？
- 夜間是否維持同一能力？特別是視覺物件辨識，有沒有補光或低光限制？
- 家具移動後怎麼處理？能否局部更新地圖、搬動機器後重新定位，而不是整張地圖重建？
- 門檻與地毯看機械規格，不看 SLAM 名稱。高度、輪徑、離地高與防跌落邏輯要另外核對。
- 鏡頭資料怎麼處理？若有 RGB 相機與雲端功能，確認隱私政策、本機／雲端處理與關閉選項。
- 耗材與維護是否能長期做到？感測器、輪子與充電接點的清潔，比新品開箱時的地圖動畫更影響持續可用性。
最後把導航能力和清潔能力分開決策
導航決定機器能不能穩定到達、覆蓋並回到基座；清潔能力則取決於吸入、刷具、拖地、濾網與地面條件。IEC/ASTM 62885-7:2020+AMD1:2022 是家用乾式清潔機器人的性能量測標準，目的就是用一致方法量測使用者關心的性能，而不是把「LiDAR」「AI 相機」當成清潔成績。實際買機時，先用住宅格局、光線、雜物、門檻與隱私需求選導航架構，再用清潔、噪音、耗材與維修做第二輪篩選。
資料來源
- IEC/ASTM 62885-7:2020+AMD1:2022，家用乾式清潔機器人性能量測方法。
- IEC 62849:2025，一般家用與類似用途室內機器人的移動、導航、避障、光線、斜坡與門檻等性能評估分類；本文僅用來說明能力應分項看待，掃地機器人仍以專屬標準優先。
- Hess et al.，Google Cartographer：2D LiDAR SLAM 與 real-time loop closure 研究。
- Campos et al.，ORB-SLAM3：視覺、視覺慣性與多地圖 SLAM 研究。
- STMicroelectronics VL53L5CX，多區 Time-of-Flight 距離感測技術資料。
- 經濟部標準檢驗局，掃地機器人商品檢驗與充電座、電線纏繞等安全提醒。
- Wikimedia Commons，封面照片作者與 CC0 授權資料。