4. SLAM建图基础
在ROS2 Nav2自主移动机器人导航系统中，SLAM（Simultaneous Localization and Mapping，同步定位与建图）是导航链路的第一环。没有一张质量可靠的静态地图，后续的全局路径规划、代价地图膨胀、AMCL定位都将失去参照基准。本章聚焦三种主流2D激光SLAM算法——Gmapping、Cartographer、SLAM Toolbox，从原理差异、适用场景、建图流程到参数调优逐一拆解，帮助你在实际机器人平台上做出正确选型并产出可用地图。
4.1 三种SLAM算法的核心原理与对比
Gmapping基于Rao-Blackwellized粒子滤波（RBPF），核心思想是用一组粒子表示机器人位姿的后验分布，每个粒子携带一张独立的栅格地图。随着粒子数量增加，地图精度提升，但计算量线性增长。Gmapping对里程计依赖较强，因为粒子滤波的提议分布通常由里程计运动模型给出，若里程计误差过大，粒子退化严重，地图会出现重影或错位。它没有显式的回环检测机制，因此在大场景或长时间建图时，累积误差无法消除。
Cartographer采用图优化框架，将激光扫描匹配结果作为约束，构建位姿图（Pose Graph）。它内部维护多个子图（Submap），每个子图由一定数量的激光帧构成，当新的扫描帧与子图匹配成功后，会插入子图并更新约束。Cartographer的核心优势在于回环检测——当机器人回到已探索区域时，通过分支定界（Branch and Bound）搜索算法快速找到历史匹配，从而消除累积漂移。它可以在没有里程计的情况下仅靠激光数据运行（纯2D SLAM模式），但需要较高的CPU算力。
SLAM Toolbox是ROS2社区专门为Nav2开发的建图工具，它继承了Gmapping的粒子滤波思想，但做了大量工程化改进：支持地图的序列化与反序列化（保存/加载.pbstream文件）、支持建图过程中的地图实时更新、提供更灵活的配置参数。SLAM Toolbox在中小场景下精度与Gmapping相当，但API设计更贴合ROS2生命周期节点，且支持在运行中动态调整参数，适合需要频繁迭代地图的调试场景。
| 对比维度 | Gmapping | Cartographer | SLAM Toolbox |
|---|---|---|---|
| 核心算法 | RBPF粒子滤波 | 图优化+子图匹配 | 粒子滤波（改进） |
| 回环检测 | 无 | 有（分支定界） | 无（依赖前端） |
| 里程计依赖 | 强依赖 | 弱依赖（可纯激光） | 中等依赖 |
| CPU占用 | 低 | 高 | 低-中 |
| 地图精度（大场景） | 较差（累积漂移） | 优秀（回环修正） | 中等 |
| ROS2原生支持 | 需移植 | 官方支持 | 官方支持 |
| 典型场景 | 50m×50m内室内 | 100m×100m以上或长廊 | 中小场景快速建图 |
4.2 建图流程与关键操作步骤
无论选择哪种算法，建图流程都遵循“数据准备 → 启动SLAM → 控制机器人运动 → 保存地图”的通用框架。但在ROS2中，具体实现有差异。
- 数据准备：确认激光雷达话题（如/scan）发布频率≥10Hz，里程计话题（/odom）发布频率≥20Hz，TF树完整（map→odom→base_link→laser）。使用
ros2 run tf2_tools view_frames检查TF树。 - 启动SLAM节点：以SLAM Toolbox为例，运行
ros2 launch slam_toolbox online_async_launch.py，该启动文件会加载slam_toolbox节点并订阅/scan和/tf。Cartographer则使用ros2 launch cartographer_ros cartographer.launch.py。 - 控制机器人运动：使用遥控器或teleop_twist_keyboard节点发布/cmd_vel，以0.2-0.4m/s的线速度、0.3-0.5rad/s的角速度移动。运动策略：先绕行环境边界一圈，再以“弓”字形扫描内部区域，最后回到起点附近验证回环。
- 保存地图：SLAM Toolbox使用
ros2 run slam_toolbox map_saver -f map_name保存pgm和yaml文件；Cartographer使用ros2 run cartographer_ros cartographer_pbstream_to_map -pbstream map.pbstream -resolution 0.05转换格式。
4.3 参数调优实战：以SLAM Toolbox为例
SLAM Toolbox的核心参数集中在slam_toolbox_params.yaml中，以下参数直接影响建图质量：
slam_toolbox:
ros__parameters:
# 激光帧间最小匹配得分，低于此值认为匹配失败
minimum_travel_distance: 0.1
minimum_travel_heading: 0.2
# 粒子滤波相关
max_laser_range: 12.0
minimum_time_interval: 0.5
# 地图更新策略
map_update_interval: 5.0
resolution: 0.05
# 匹配得分阈值
minimum_score: 0.65
# 回环搜索半径（米）
loop_search_space: 8.0
调优步骤：首先调整minimum_score，若建图时频繁出现“Scan Matching Failed”警告，说明阈值过高或激光数据质量差，可降至0.5-0.6；若地图出现错位但无警告，说明阈值过低，应提高至0.7以上。resolution决定地图精细度，0.05m适合室内，0.1m适合室外大场景，但分辨率越高，内存占用越大。map_update_interval控制地图发布频率，建图时建议设为5.0s，避免频繁更新导致Rviz卡顿。
minimum_travel_distance设为0.15m、minimum_travel_heading设为0.3rad，可保证每帧激光都有足够位移用于匹配，又不至于漏掉关键帧。若你的雷达是20Hz，可适当减小这两个值。
4.4 案例拆解：某仓储机器人建图失败排查
背景：某仓储AGV采用SLAM Toolbox建图，环境为80m×60m的货架区，激光雷达安装高度0.3m，里程计为双轮差速编码器。建图过程中，地图在货架通道处出现“重影”，且机器人回到起点后地图无法闭合。
初始现象：Rviz中地图出现两条平行货架线，间距约0.2m；/diagnostics显示里程计频率正常，但编码器存在轻微打滑。
分析过程：首先检查TF树，发现laser_frame到base_link的静态变换为0.3m，但激光雷达实际安装高度为0.35m，存在5cm的外参误差。其次，货架通道宽度仅1.2m，激光束打到货架底部反光条上产生噪声点。最后，里程计在AGV急转弯时打滑，导致粒子滤波退化。
操作步骤：①重新标定激光雷达安装高度，更新tf变换；②在slam_toolbox参数中增加scan_buffer_size: 100，扩大扫描匹配的搜索窗口；③将minimum_score从0.65降至0.55，容忍货架反光造成的匹配误差；④在AGV控制程序中限制最大角速度从0.8rad/s降至0.4rad/s，减少打滑。
结果对比：调整后重新建图，货架重影消失，回环闭合误差从0.35m降至0.08m。但代价是建图时间从15分钟延长至22分钟，因为降低了角速度导致扫描覆盖变慢。
复盘经验：建图问题80%源于传感器外参标定和运动控制质量，而非算法本身。在调参之前，务必用ros2 run tf2_ros static_transform_publisher验证外参，并用ros2 bag record录制数据离线调试，避免反复实车测试。
4.5 常见误区与总结
- 误区一：认为粒子数越多越好。Gmapping中粒子数从30增加到80，地图精度提升有限，但CPU占用翻倍。建议从30开始，逐步增加至地图无明显重影为止。
- 误区二：忽略激光雷达的扫描频率。若雷达频率低于5Hz，SLAM算法无法捕捉快速运动，建议使用
ros2 topic hz /scan检查实际频率。 - 误区三：建图完成后直接用于导航，不做地图清理。栅格地图中的噪点（如移动物体产生的拖影）会导致代价地图膨胀，应使用图像编辑工具手动清理。
- 误区四：Cartographer参数照搬默认配置。Cartographer的
trajectory_builder_2d.lua中num_accumulated_range_data默认值为1，若激光帧率较高，可增大至10以降低计算量。
总结：SLAM建图是Nav2导航的基石，选型应基于场景规模、里程计质量和算力约束。Gmapping适合教学和简单场景，Cartographer是大型场景的工业级选择，SLAM Toolbox则是ROS2生态下最平衡的建图方案。建图流程的核心是“慢而稳”的运动控制与严格的外参标定，参数调优则需结合日志和Rviz可视化逐步迭代。建议在正式建图前，先录制ros2 bag数据，离线调整参数，确认地图质量后再上实车，这样能大幅缩短调试周期。