4. 环境感知与地图表示

多机器人协同导航的第一步，是让每个机器人“知道自己在哪里、周围有什么”。这依赖两类能力：一是环境感知，即通过传感器获取障碍物、边界、地标与动态目标的信息；二是地图表示，即把感知结果组织成可计算、可共享、可更新的空间模型。感知决定“看到什么”，地图决定“如何记住并推理”，二者共同构成协同导航的认知基础。

一、核心原理：传感器是感知入口，地图是空间记忆

不同传感器在测量范围、精度、成本与鲁棒性上差异明显，单一传感器很难覆盖全部场景。激光雷达通过飞行时间测距获得高精度二维或三维点云，适合构建几何地图与精确定位；视觉相机提供丰富纹理与语义信息，可识别车道、标志、行人，但受光照和纹理影响大；超声波传感器成本低、近距离探测可靠，常用于低矮障碍与防撞补盲；惯性测量单元（IMU）与轮式里程计则提供高频运动估计，用于短时递推。多机器人系统中，各机器人可搭载不同传感器组合，通过地图融合实现能力互补。

地图表示的本质是对连续环境的离散化建模。栅格地图把空间划分为规则网格，每个格子记录占据概率；特征地图提取点、线、角点等几何基元；拓扑地图用节点和边描述地点与连通关系；语义地图在几何层之上附加“门、走廊、房间、充电桩”等标签。四类地图并非互斥，实际系统常采用分层混合表示。

二、方法流程：从原始数据到可共享地图

典型建图流程可分为五步。第一步是数据采集与时间同步，多传感器需统一时间戳，避免运动畸变；第二步是预处理，包括点云去噪、地面分割、图像去畸变与特征提取；第三步是里程计与位姿估计，利用IMU、轮速计或激光扫描匹配得到机器人轨迹；第四步是地图构建，将观测投影到全局坐标系并更新地图；第五步是地图融合与共享，多机器人交换局部地图或地图摘要，形成一致全局表示。

# 以二维栅格建图为例的典型参数
resolution: 0.05        # 栅格分辨率，单位 m/格
map_size: 40.0 x 40.0   # 地图覆盖范围，单位 m
occupied_thresh: 0.65   # 占据判定阈值
free_thresh: 0.20       # 空闲判定阈值
update_rate: 10 Hz      # 地图更新频率
sensor_fusion: lidar + odom + imu

分辨率越高，地图越精细，但存储与计算开销越大。协同场景中，若每个机器人都维护全分辨率全局栅格，通信带宽会迅速成为瓶颈。因此常采用局部高精度、全局低精度的分层策略：机器人本地保留精细栅格用于避障，向队友广播压缩后的特征或拓扑摘要用于协同规划。

三、案例/场景：仓储多机器人协同建图

在一个仓储场景中，若干台AGV同时作业。每台AGV搭载二维激光雷达、前向相机与超声波传感器。激光雷达构建局部栅格地图，用于实时避障；相机识别货架编号与地面二维码，提供语义地标；超声波负责检测低矮托盘与悬空障碍。各AGV将局部栅格与语义标签上传至边缘服务器，服务器融合为全局语义栅格地图，再下发给所有机器人。

当某台机器人发现临时堆放的货物时，它只上传变化区域的栅格块与语义标签“临时障碍”，而不是整张地图。其他机器人收到后，在局部地图中叠加该障碍层，重新规划路径。这种增量式地图更新显著降低了通信量，也保证了协同一致性。

四、四类地图对比与选型

五、误区与复盘