环境建模技术：2.5D与3D环境建模区别、栅格地图构建、八叉树地图原理
各位同事，今天我们来聊聊环境建模。这是航线规划的基石，说白了就是回答一个问题：无人机眼中的世界长什么样？
我见过太多团队，算法写得天花乱坠，结果一上真机就撞山。为什么？环境模型没建对。你给一个2.5D的模型，它当然不知道头顶有根电线。所以这一章，我们把这几个核心概念掰开揉碎了讲清楚。
2.5D 与 3D 环境建模：差的不只是一个维度
很多人觉得2.5D就是2D加了个高度值，其实没那么简单。我习惯这么区分：
- 2.5D：每个(x, y)坐标对应唯一一个高度z。说白了，它是一张高度图。你从正上方看下去，能看到地形起伏，但看不到悬崖下的洞穴、桥梁下方的空间。
- 3D：每个(x, y, z)坐标都可以独立存在。同一个(x, y)位置，可以有多个z值——比如一棵树，树冠在z=10，树干在z=2，中间是空的。
核心区别一句话：2.5D是“一层皮”，3D是“一个体”。
我在做电力巡线项目时吃过这个亏。当时用2.5D模型规划航线，无人机沿着山谷飞，一切正常。结果到了铁塔附近，塔顶的横担和导线在2.5D里被“压平”了——因为那个(x, y)位置只能存一个高度。飞机直接撞上了导线。嗯，从那以后，但凡涉及杆塔、桥梁、树木的场景，我坚决上3D模型。
| 对比项 | 2.5D 模型 | 3D 模型 |
|---|---|---|
| 数据结构 | 栅格 + 高度值 | 体素 / 点云 / 网格 |
| 悬空物体 | 不支持 | 支持 |
| 计算量 | 低 | 高（通常高1~2个数量级） |
| 典型场景 | 平原、丘陵、大范围测绘 | 城市峡谷、矿区、森林、电力 |
| 传感器要求 | 单目 / 激光测距 | 激光雷达 / 双目 / 深度相机 |
我的建议：如果飞行区域最高物体高度不超过地面起伏的20%，且没有悬空障碍物，2.5D够用。否则，老老实实上3D。省下来的算力，不够赔一架飞机。
栅格地图构建：把世界切成小方块
栅格地图，是最直观的环境表达方式。你把空间划分成一个个小格子，每个格子存一个值——0表示空闲，1表示占用，0.5表示未知。
你想想看，这就像在CAD里画网格。每个格子的大小，决定了地图的精度和内存消耗。我一般遵循一个经验法则：栅格分辨率 = 无人机安全半径的 1/3 到 1/5。比如你的四旋翼半径0.5米，栅格设0.1~0.15米就够。再细，内存爆炸，规划还慢。
构建过程其实不复杂：
- 传感器数据输入：激光雷达点云或深度图
- 坐标变换：把传感器坐标系下的点，转到世界坐标系
- 栅格映射：计算每个点落在哪个栅格里
- 概率更新：用贝叶斯公式更新栅格的占用概率
这里有个坑，我踩过。传感器有噪声，一个点可能落在栅格边界附近。如果你硬性归到某个格子，会导致边缘锯齿严重。我后来改用反距离加权的方式——一个点同时影响周围4个栅格，权重按距离分配。效果好了很多。
我曾经犯过的错：在动态环境中用固定阈值判断栅格占用。比如设阈值0.7，大于就算占用。结果树叶被风吹动，一会儿占用一会儿空闲，航线规划直接震荡。后来我加了时间衰减因子——很久没观测到的栅格，概率慢慢回归0.5（未知）。这才稳住。
八叉树地图原理：用树结构省内存
栅格地图有个致命问题：内存。一个10m×10m×5m的空间，用0.1m分辨率，就是50万个格子。如果扩展到1km范围，内存直接上GB。怎么办？八叉树（OctoMap）就是来救场的。
八叉树的思路很聪明：大块区域如果全是空闲或全是占用，就不细分。只有边界区域才递归细分到最小粒度。
我画了一张图，帮你理解这个结构：
八叉树的核心操作就三个：
- 插入：从根节点往下走，找到对应子节点，更新占用概率。如果子节点不存在，就创建。
- 查询：给定一个3D坐标，从根节点递归查找，返回该位置是空闲、占用还是未知。
- 剪枝：如果某个节点的所有子节点状态一致（全空闲或全占用），就把子节点删掉，父节点直接代表整个区域。这是省内存的关键。
我给你们看一段伪代码，理解一下插入逻辑：
function insertPoint(node, point, probability):
if node.isLeaf():
node.updateProbability(probability)
if node.isMixed():
node.subdivide() // 分裂成8个子节点
return
childIndex = computeChildIndex(point, node.center)
if node.children[childIndex] == null:
node.children[childIndex] = new OctreeNode()
insertPoint(node.children[childIndex], point, probability)
// 插入后尝试剪枝
if allChildrenSameState(node):
node.prune()实际项目中的参数：我一般设最大深度16层。对于0.1m分辨率，16层能覆盖约6.5km³的空间——够用了。深度每加1层，内存节省约30%，但查询时间增加约15%。平衡点自己把握。
三种模型怎么选？我的决策框架
说了这么多，到底用哪个？我个人的决策流程是这样的：
- 先看场景：有没有悬空障碍物？有 → 3D；没有 → 2.5D
- 再看范围：超过100m×100m？是 → 八叉树；否 → 普通栅格
- 最后看算力：机载电脑是STM32还是Jetson？前者老老实实2.5D+栅格，后者可以上3D+八叉树
嗯，这套框架帮我省了不少事。有一次在矿区做项目，环境复杂，但客户机载电脑性能有限。我折中用了2.5D栅格 + 局部3D八叉树——全局用2.5D做粗略规划，到障碍物附近切换到局部3D做精细避障。效果不错，内存占用控制在50MB以内。
注意：八叉树不是银弹。在高度动态的环境（比如人群密集区），频繁的插入和剪枝会导致CPU负载飙升。我遇到过八叉树更新频率超过20Hz时，树结构重组占用了40%的CPU。后来我加了更新队列，把传感器数据攒够一批再批量更新，才降下来。
好了，环境建模这块就聊到这儿。记住一句话：模型的选择，本质是精度、内存、算力三者的权衡。没有最好的模型，只有最适合你场景的模型。