3. 环境感知与地图构建

各位同学，今天我们来聊聊机器人感知世界的第一步。说白了，就是让机器人「看见」周围的环境，并且把看到的东西存成一张它能读懂的地图。

我在做第一个移动机器人项目时，犯过一个低级错误——传感器数据没对齐，结果地图上出现了「鬼影墙」。嗯，从那以后，我对传感器选型和数据融合就格外上心。今天这章，我把这些年踩过的坑和总结的经验，一次性讲清楚。

3.1 传感器选型：你的眼睛、耳朵和平衡感

机器人感知环境，靠的是三种核心传感器。我习惯把它们比作人的感官：

• 激光雷达（LiDAR）：相当于「触觉+视觉」。它能精确测距，精度到厘米甚至毫米级。我在仓库AGV项目里用的就是单线激光雷达，建图又快又稳。
• 相机（Camera）：相当于「视觉」。它提供丰富的纹理和颜色信息，但深度信息需要靠算法算出来。说实话，纯视觉在光照变化大的场景下容易翻车。
• IMU（惯性测量单元）：相当于「内耳前庭」。它告诉你机器人的加速度和角速度，但有个致命缺点——积分漂移。你想想看，手机导航在隧道里乱飘，就是IMU在「放飞自我」。

3.2 占据栅格地图：把世界切成小方块

地图构建，最经典的方法就是占据栅格地图（Occupancy Grid Map）。

原理很简单：把环境划分成一个个小格子（栅格）。每个格子有三种状态：

• 占据（Occupied）：有障碍物，用黑色表示
• 空闲（Free）：可以通行，用白色表示
• 未知（Unknown）：还没探测到，用灰色表示

我当年第一次手写栅格地图更新逻辑时，踩过一个坑——概率更新时忘记做对数赔率转换，结果地图越更新越模糊。后来才明白，用对数赔率（Log-Odds）来更新，才能保证数值稳定。

更新公式其实不复杂，我贴一段核心代码给你看：

// 伪代码：占据栅格更新
float log_odds = prior_log_odds;
for each measurement z:
    log_odds += inverse_sensor_model(z) - prior_log_odds;
    probability = 1.0 / (1.0 + exp(-log_odds));
    grid[x][y] = probability;

3.3 代价地图：给地图加上「风险值」

占据栅格地图只是「有没有障碍物」，但机器人真正导航时，还需要知道「哪里走起来更安全」。这就是代价地图（Costmap）的用武之地。

代价地图本质上是在占据栅格地图上，给每个格子赋予一个代价值。我习惯把它分成两层：

• 静态代价层：来自预先构建的占据栅格地图。障碍物区域代价值最高（比如255），自由区域最低（0）。
• 动态代价层：来自实时传感器数据。比如突然出现的人、移动的箱子，这些都会临时抬高代价值。

你可能会问：「为什么要分两层？」

嗯，我在做仓储机器人时遇到过这种情况：静态地图上有个货架，但今天货架被搬走了。如果只用静态代价层，机器人会绕远路；如果只用动态代价层，机器人又可能撞上临时堆放的货物。所以，两层叠加才是正解。

3.4 知识体系总览

下面这张图，是我自己梳理的本章知识结构。你看一眼，就能明白传感器、地图、代价地图之间的关系：

3.5 实战中的传感器配置建议

最后，我根据项目经验，给你一个传感器选型参考表。这不是标准答案，但能帮你少走弯路：

应用场景	推荐传感器组合	我的备注
室内仓储AGV	单线激光雷达 + IMU	性价比高，建图稳定
室内服务机器人	2D激光雷达 + 深度相机 + IMU	深度相机用于避障和识别
室外无人车	多线激光雷达 + 双目相机 + 高精度IMU + GPS	多线激光雷达是刚需，GPS辅助定位
无人机	单目/双目相机 + IMU + 超声波/激光测距	重量和功耗是硬约束

好了，环境感知和地图构建这部分，核心就是这些。记住：传感器是基础，地图是载体，代价地图是安全护栏。三者缺一不可。