激光AMR所采用的技术如激光SLAM、AMCL定位、局部路径规划(势场法、动态窗口法等)、全局路径规划(A*及其变种)多为传统机器人技术,在2010年之前就已经得到广泛应用。虽然在限定场景下取得了一定的成绩，但由于技术本身的局限性无法在更为复杂的环境中大规模部署。

近十年来基于深度学习的计算机视觉技术包括目标检测、语义分割、目标跟踪、物体识别等获得了突飞猛进的发展。这些任务被统一建模为深度神经网络的学习任务,通过对大量样本的学习获得了一系列重大突破，比如，在图像分类的权威数据集ImageNet上，基于深度学习的ResNet和DenseNet等一系列深度卷积神经网络的分类准确率已经超越了人类识别准确率。这些技术进步能够为AMR赋予语义级别的视觉感知能力，实现对视野内的环境做像素级别的语义解析,为自主决策打下感知基础。而对基于深度学习的计算机视党技术的应用与否也造就了激光AMR与视觉AMR的能力差异。

在建图与定位方面、激光AMR通过激光SLAM技术构建场景的轮廓地图，定位主要过激光雷达扫描到的数据与地图做形状匹配得到，由于单纯依靠激光数据难以区分固定物体与运动物体，在动态场景(比如货物来回搬运的仓库，人员、叉车来回穿梭的工厂等)中容易形成错误匹配导致定位失败。视觉AMR可以在建图过程中利用检测、分割等计算机视觉技术提取场景的语义信息，区分哪些是固定不变的物体,那些是容易变动的物体，并将这些语义信息嵌入到地图中去。在定位过程中利用自动I解析的固定物体进行定位，从而提高定位的精度和针对动态场景的鲁棒性。在避障方面，激光AMR并不区分障碍物种类，针对不同类型的障碍物如行人、车辆、托盘等无法根据其特点采取有效的避障策略。视觉AMR利用目标检测、目标跟踪与轨迹预测技术能够区分障碍物类型，持续跟踪障碍物，并进一步预测其运动轨迹。