1. 课程导入

当无人机从开阔的室外环境飞入林区、峡谷、隧道、室内仓库或灾后废墟时，GPS信号会衰减甚至完全丢失，仅靠惯性测量单元（IMU）和气压计又会在数十秒内产生米级漂移。此时，无人机需要一套能够“自己看路、自己定位、自己建图”的能力——这正是激光雷达SLAM与定位要解决的问题。本课程围绕“传感器—算法—系统—应用”四条主线展开，帮助你从零建立完整的知识框架，并具备把算法落到真实飞行平台上的工程能力。

一、学习目标：从“看懂”到“飞得稳”

本课程的学习目标分为四个层次，层层递进：

• 概念层：理解SLAM（Simultaneous Localization and Mapping，同步定位与建图）的本质——在未知环境中，用观测数据同时估计自身位姿和地图结构，二者互为条件、互相约束。
• 原理层：掌握激光雷达测距模型、点云配准（ICP/NDT/GICP）、前端里程计、后端优化（因子图、位姿图）、回环检测与全局一致性等核心算法原理。
• 系统层：能够完成激光雷达、IMU、相机、飞控之间的时间同步、外参标定、坐标变换与数据融合，构建可实时运行的LIO（LiDAR-Inertial Odometry）系统。
• 应用层：针对电力巡检、应急救援、地下空间测绘、农业植保等场景，选择合适的算法配置与飞行策略，并能定位与排查常见故障。

二、核心概念：五个必须打牢的地基

在进入算法细节之前，先建立五个核心概念，它们贯穿整门课程：

1. 位姿（Pose）：无人机在三维空间中的位置与姿态，通常用6自由度（x, y, z, roll, pitch, yaw）表示，是SLAM的估计目标。
2. 点云（Point Cloud）：激光雷达扫描得到的离散三维点集合，是环境几何结构的原始表达，也是配准与建图的输入。
3. 里程计（Odometry）：通过相邻帧点云配准或IMU积分得到的相对运动估计，特点是短期精度高、长期会漂移。
4. 回环检测（Loop Closure）：识别无人机是否回到曾经到过的位置，从而消除累积漂移，是全局一致性的关键。
5. 地图（Map）：SLAM的输出之一，常见形式包括点云地图、栅格地图、八叉树地图和体素地图，用于导航、避障与测绘。

三、整体知识框架：一张图看清课程脉络

下图展示了本课程的知识结构：从传感器输入出发，经过前端里程计、后端优化与回环检测，最终输出位姿与地图，并服务于导航与行业应用。建议在学习过程中反复回看这张图，明确每个知识点所处的位置。

四、方法流程：一次完整的SLAM运行过程

为了让抽象框架落地，下面给出一次典型无人机激光雷达SLAM运行的数据流与处理步骤。你可以把它理解为“从开机到输出地图”的完整链路：

1. 传感器初始化
   - 激光雷达上电，确认扫描频率（如10Hz）与点云格式
   - IMU零偏标定，记录初始姿态
   - 加载外参：T_lidar_imu（雷达到IMU的变换矩阵）

2. 数据采集与同步
   - 激光雷达点云 + IMU数据 + 飞控时间戳
   - 硬件触发或软件时间对齐，误差控制在1ms以内

3. 前端里程计
   - 点云去畸变（利用IMU积分补偿运动）
   - 帧间配准：ICP/NDT/GICP估计相对位姿
   - 输出高频里程计（10~50Hz）

4. 后端优化
   - 将里程计约束、IMU预积分约束、回环约束加入因子图
   - 滑动窗口优化或全局位姿图优化
   - 输出优化后的位姿与地图

5. 回环检测与重定位
   - 基于描述子（如Scan Context）检索历史帧
   - 匹配成功后添加回环约束，消除累积漂移

6. 地图输出与应用
   - 发布点云地图、栅格地图、TF坐标变换
   - 供飞控导航、避障、路径规划使用

五、典型应用场景与配置对照

不同场景对激光雷达SLAM的要求差异很大。下表列出四类典型场景的关键参数与算法侧重点，帮助你在实际项目中快速选型：

六、常见误区与学习建议