3. 地图表示方法
在多机器人地图共享与协同定位中，地图表示方法决定了机器人“如何理解环境、如何存储环境、如何交换环境信息”。同一片环境，用不同表示方法建模，会直接影响共享带宽、融合难度、定位精度和后续任务能力。本节围绕五类主流地图表示展开：占据栅格地图、特征地图、点云地图、语义地图和拓扑地图，并分析它们在共享场景中的优缺点。
一、五类地图表示的核心原理
占据栅格地图将环境离散为规则网格，每个栅格用概率表示被障碍物占据的可能性。典型值为 0 表示空闲，1 表示占据，0.5 表示未知。它适合二维导航和避障，更新方式简单，是多机器人共享中最常见的基础地图。
特征地图不保留全部环境细节，而是提取点、线、面、角点、柱状物等几何特征，用特征坐标和协方差描述环境。它存储紧凑，便于位姿图优化和回环检测，但在非结构化环境中特征提取不稳定。
点云地图由三维空间中的离散点组成，通常来自激光雷达或深度相机。它保留丰富的几何细节，适合三维重建、精确配准和复杂地形表达，但数据量大，直接共享对带宽和存储压力较高。
语义地图在几何地图基础上附加类别标签，如“墙、门、桌子、走廊、房间、充电桩”。它让机器人不仅知道“哪里有障碍”，还知道“那是什么”，便于任务规划和人机交互，但依赖语义分割精度和标注一致性。
拓扑地图将环境抽象为节点和边，节点表示关键位置或区域，边表示可达关系。它不关注精确几何，强调连通性和路径关系，适合大范围多机器人路径规划和地图共享，但难以直接用于精细避障。
二、表示与存储方式对比
| 地图类型 | 基本单元 | 典型存储格式 | 共享数据量 | 融合难度 | 适用场景 |
|---|---|---|---|---|---|
| 占据栅格 | 概率栅格 | 栅格数组、PGM+YAML | 中 | 低 | 2D导航、避障 |
| 特征地图 | 点/线/面特征 | 特征列表、位姿图 | 低 | 中 | SLAM、回环优化 |
| 点云地图 | 三维点 | PCD、PLY、体素 | 高 | 高 | 三维重建、精细配准 |
| 语义地图 | 几何+标签 | 语义栅格、对象列表 | 中高 | 高 | 任务规划、人机交互 |
| 拓扑地图 | 节点与边 | 图结构、邻接表 | 低 | 低 | 大范围路径规划 |
三、共享场景中的优缺点分析
多机器人共享地图时，最直接的问题是“传什么”和“怎么合”。占据栅格地图的共享通常采用概率融合，例如对同一栅格取对数几率相加，实现简单，但不同机器人建图分辨率不一致时会出现模糊或重影。特征地图共享时，机器人交换的是特征和位姿约束，数据量小，适合分布式优化，但特征描述子不一致会导致匹配失败。
点云地图共享精度高，却最容易压垮通信链路。实际系统中常先做体素降采样、特征点提取或增量传输，只共享变化区域。语义地图共享的难点不在几何，而在“语义一致性”：一个机器人标为“桌子”的物体，另一个机器人可能标为“工作台”，需要统一本体或标签映射。拓扑地图共享最轻量，适合多机器人快速合并全局路径图，但它无法直接支撑局部避障。
四、案例：仓库多机器人协同建图
在一个仓储场景中，多台 AGV 同时建图。若全部共享原始点云，网络很快拥塞；若只共享拓扑图，又无法完成货架间精细避障。较合理的方案是：每台机器人本地维护占据栅格地图用于导航，同时提取通道节点和货架特征生成局部拓扑图；共享时只上传拓扑节点、关键特征和栅格变化区域。这样既保留了几何避障能力，又把共享数据量控制在可接受范围。
地图共享配置示例：
local_map: occupancy_grid
resolution: 0.05 m
share_layer: topology + feature
feature_type: pillar, wall_segment
sync_interval: 2.0 s
compression: delta + voxel_downsample
semantic_label: shelf, aisle, charging_station五、常见误区与复盘
- 误区一：地图越精细越好。点云地图虽然细节丰富，但共享和融合成本高，未必适合所有协同任务。
- 误区二：所有机器人都用同一种地图。不同机器人传感器和算力不同，允许异构地图并通过中间层转换往往更实际。
- 误区三：忽略坐标系与时间同步。地图共享前必须统一坐标系、时间戳和分辨率，否则融合结果会出现错位。
- 误区四：语义标签直接混用。跨机器人语义地图需要标签对齐机制，否则“同一物体、不同名称”会造成任务冲突。
复盘来看，地图表示方法的选择应围绕三个问题：任务需要多精细的环境信息？通信带宽和算力预算是多少？多机器人之间需要共享到什么层级？回答清楚这三个问题，才能在占据栅格、特征、点云、语义和拓扑地图之间做出合理组合，而不是盲目追求单一地图的“全能”。