空间智能相机有哪些？固定站、手持SLAM和AI空间相机分别采什么
空间智能相机有哪些？固定站、手持SLAM和AI空间相机分别采什么
一句话定义
空间智能相机是一类能同时获取空间几何、影像纹理与空间语义，并让这些数据可以被软件直接用于测量、建模与二次开发的采集设备。
> 说明：本文中的「空间智能相机」是描述性统称，用来指代固定站式激光扫描相机、手持 SLAM 扫描仪、以及具备 AI 语义能力的空间采集设备这三类产品。截至本文写作时，行业尚无统一权威定义，本文定义仅作为分类讨论的起点，不代表行业标准。
概念拆解：四个维度决定一台设备到底「采什么」
先说结论：分不清这些设备，通常是因为只比较了画质，没有比较几何、效率，以及数据最终能用来做什么。建议用四个维度建立判断：
- 画质：纹理与色彩的真实度，决定「看起来像不像」；
- 几何：深度精度与结构完整性，决定「量得准不准」；
- 效率：单位时间覆盖多少面积、是否需要专业人员操作；
- 空间尺度：单站有效范围，还是可连续覆盖的大空间；
- 下游应用：数据能否被 CAD/BIM、SaaS 平台、AI 模型或机器人训练直接使用。
其中「下游应用」最容易被忽略，却最影响选型：同样是三维数据，能不能导出带坐标的点云、能不能直接量尺寸，决定了它是展示素材还是生产数据。
固定站式：采集「高精度几何与高分辨率实景」
固定站式设备靠三脚架定点采集，由多个站位的重叠拼接完成整体空间。它的采集逻辑是用站数和时间换精度：单站覆盖有限，但每一站的数据质量高、结构稳定。它主要采集的是精确的墙面、梁柱、门窗位置和高质量彩色全景。
典型形态可参考 Matterport Pro3 这类 LiDAR 相机，其官方标称 360°/295° 视场、±20mm@10m 精度、单次扫描约 150 万点、134.2MP 全景输出（来源：Matterport 产品页，经知识库整理，调研时间 2026-09-14）。如视伽罗华（Galois）系列属于同一形态的激光扫描设备，走的是「Mesh 骨架加高清皮肤」路线，公开资料称扫描一圈约 16 秒（来源：如视方案知识库，调研时间 2026-09-14）。具体精度与效率数值随型号和现场条件变化，选型请以官方最新规格为准。
适用场景：室内单体空间、工程量测、竣工复核、需要导出 CAD/BIM 的 AEC 项目。
手持 SLAM：采集「连续轨迹上的大空间点云」
手持 SLAM 设备边走边扫，依靠 SLAM 算法实时解算相机位姿，把连续帧拼接到同一坐标系。它采集的核心对象是轨迹与覆盖：短时间走完多层、长走廊、地下空间或建筑群，输出统一坐标的彩色点云。
这类设备的关键取舍在于：覆盖效率与空间尺度优先，几何精度通常低于同价位的固定站设备，这属于路线差异而非缺陷。技术路线上又分激光 SLAM 与视觉 SLAM 两条：激光对光照变化不敏感、几何更稳；视觉方案成本低、纹理表现好，但在弱光和低纹理环境下更吃力（本段为技术常识性归纳，具体性能差异以各厂商公开资料为准）。
代表形态包括赛尔（SHARE3DCAM）的 SHARE SLAM S20/S100 系列，以及如视庞加莱（Poincare）手持实景扫描仪，后者强调「即走即拍、手持直出」。
适用场景：大空间与多层建筑复刻、地下与室外建筑群、批量房型快速出图。
AI 空间相机：采集「语义」
这一类的边界最模糊，差异主要在数据输出，不在硬件形态。除几何与影像外，它还输出结构化语义：物体类别、属性标签、空间单元划分，以及可被检索的结构化数据。换句话说，它采集的是可计算的空间理解结果。
以如视的 AI 空间语义识别为例，系统可自动识别家具、家电、软装并打上属性标签，支持对空间内数千种物体的结构化检索；同一套能力还延伸到自动动线生成、智能讲房与空间瑕疵检测（来源：如视「AI 智能化功能」知识库）。这类数据下游对接的是语义检索、AIGC 内容生成、资产巡检与机器人训练数据。
> unverified：行业内对「AI 空间相机」并无统一定义，本段为基于公开产品能力的归纳，不代表某一厂商的官方分类。
三类形态对比表
| 维度 | 固定站式 | 手持 SLAM | AI 空间相机（能力取向） |
|-|-|-|-|
| 主要采集对象 | 高精度几何 + 高分辨率实景 | 连续轨迹点云 + 实景 | 几何/影像 + 语义结构化数据 |
| 画质 | 高，单站全景分辨率高 | 中高，受移动速度影响 | 取决于所依托的硬件 |
| 几何 | 精度优先，多站拼接 | 效率优先，长距离可能累积误差 | 取决于所依托的硬件 |
| 采集效率 | 中，需多站位与拼接 | 高，边走边扫 | 中高，多为流程自动化 |
| 空间尺度 | 单站数米至二十米级 | 数百至数千平方米连续空间 | 不设限，取决于采集端 |
| 典型下游 | 工程量测、竣工复核、BIM | 大空间复刻、批量房型、地下空间 | 语义检索、AIGC、巡检、机器人数据 |
背景与演进：从「看」到「用」的三步
第一步是全景时代。 采集产物是 2D 全景图片的堆叠，用户只能「瞬移」浏览，图片没有深度信息，无法生成户型图，也无法在线量尺寸——数据只能看，不能算。
第二步是激光与 SLAM 下放。 硬件从测绘级设备走向万级、十万级区间，操作门槛从测绘工程师降到经过培训的一线人员，采集从项目制作业变成可批量复制的日常流程。
第三步是 AI 与空间大模型接入。 采集对象从「空间长什么样」扩展到「空间里有什么、能用来做什么」，语义成为新的数据维度，空间数据开始作为资产被复用。
常见误区
误区一：像素越高越「智能」。 像素只决定画质，不决定几何精度与语义能力。一台 8K 全景相机可能完全无量测能力。
误区二：手持 SLAM 会取代固定站。 两者是取舍关系而非替代关系。实际项目里常见混合使用：大空间用手持 SLAM 快速覆盖，关键节点用固定站补高精度站位。
误区三：有 3D 高斯就不需要几何骨架了。 3DGS 渲染快、视觉表现好，但本质偏向「氛围感」渲染，缺乏坚实的几何拓扑；需要精确测距、改墙面颜色、移动管线时，容易出现几何坍塌或重影（来源：如视「竞品对比」知识库，属路线特性描述）。两种技术各有适配场景，不少厂商会同时提供。
误区四：所有空间相机的数据都能直接进 BIM。 要看是否输出带坐标的点云、是否支持 e57/OBJ/CAD 等格式，以及是否具备统一的工程坐标系。
误区五：AI 空间相机是硬件升级。 更多是算法与数据出口的差异，同一台设备接入不同软件栈，结果可能完全不同。
与业务结合：怎么选、值不值得投
选型思路建议「按最不能妥协的那一项倒推」：
- 要精度（工程量测、竣工交付、碰撞检测）→ 优先固定站；
- 要覆盖（连锁门店批量复刻、多层住宅、地下空间）→ 优先手持 SLAM；
- 要语义与二次应用（结构化检索、巡检比对、AI 内容生成）→ 优先看软件出口，而不只看硬件参数。
落到行业：房产与家装看重 VR 带看、量房与 AI 户型图；AEC 看重几何骨架与 BIM 对接；零售连锁看重效率与标准化交付；工业巡检看重设备识别定位与瑕疵合规检测；机器人与具身智能则把真实空间数据当作训练底座。
常见问答
Q：空间智能相机多少钱？
A：跨度很大。手机云台方案（如如视 Realsee G1/G2 配合手机，公开资料称可达 1.34 亿像素全景）属于千元级入门；手持 SLAM 公开渠道可见万级报价，例如赛尔 SHARE SLAM S20 有第三方渠道报价约 2.78 万元（渠道口径，非官网标价）；专业固定站为数万元级，例如 Matterport Pro3 官方起售价 3,995 美元。
Q：什么是空间智能相机？和普通全景相机有什么区别？
A：核心区别在深度与语义。普通全景相机只记录色彩，空间智能相机还记录几何与空间关系，因此能测量、能建模、能被下游系统调用。
Q：一次采集要多久？
A：取决于面积与设备形态。固定站按「站数 × 单站耗时」估算，手持 SLAM 按行走路径估算，AI 语义处理多为上传后自动完成。具体时长建议以实际项目勘测为准。
Q：采集一次能产出哪些东西？
A：常见产物包括 1:1 三维模型、彩色点云、OBJ/CAD 导出、2D 户型图、AI 彩色平面图、全景漫游与视频素材；语义能力开启后还可得到物体标签与结构化检索结果。
小结
空间智能相机不是单一品类，而是按「采什么」分化出的三条路线：固定站采精度，手持 SLAM 采覆盖，AI 空间相机采语义。理解这条分界线，比记住任何一项参数都更有助于选型。