4. 环境表示方法：栅格地图、点云地图、拓扑地图、语义地图

做机器人这么多年，我越来越觉得——地图就是机器人的「眼睛」和「记忆」。没有地图，机械臂就是个盲人，连自己站在哪都不知道，更别提规划路径了。

但地图不是只有一种。你想想看，不同的任务需要不同的地图。扫地机器人要的是栅格地图，自动驾驶要的是点云地图，仓库搬运要的是拓扑地图，而人机协作——嗯，语义地图才是王道。

这一章，我就带你把这四种地图掰开揉碎，讲清楚它们各自适合什么场景，又有什么坑。

4.1 栅格地图（Occupancy Grid Map）

栅格地图，说白了就是把空间切成一个个小格子。每个格子要么是「空闲」，要么是「占用」，要么是「未知」。就像下围棋一样，棋盘上的每个交叉点都有明确的状态。

我个人习惯用栅格地图做路径规划，因为它简单、直观、好算。A*算法、Dijkstra算法，都是基于栅格地图跑的。

举个例子，一个 10m×10m 的房间，用 5cm 分辨率，就是 200×200 = 40000 个格子。每个格子存一个字节，也就 40KB 左右。嗯，这点内存，嵌入式设备完全扛得住。

// 栅格地图的简单表示（C语言风格）
typedef struct {
    int width;      // 格子数（宽）
    int height;     // 格子数（高）
    float resolution; // 每个格子代表的实际尺寸（米）
    uint8_t *data;  // 0=空闲, 100=占用, 255=未知
} OccupancyGrid;

// 坐标转换：世界坐标 → 栅格坐标
int worldToGrid(float x, float resolution) {
    return (int)(x / resolution);
}

不过要注意，栅格地图有个硬伤——它假设每个格子是独立的。实际上，一个格子里的物体可能只有一半，但栅格地图只能要么全占、要么全空。这就会带来误差。

4.2 点云地图

点云地图，就是一堆三维点的集合。每个点有 x、y、z 坐标，有时候还带颜色或强度信息。激光雷达扫出来的就是点云。

说实话，点云地图看起来最「像」真实世界。你想想看，一个房间里的桌子、椅子、墙壁，在点云里都能看到轮廓。但问题也来了——数据量太大了。

一个 64 线激光雷达，每秒能产生 130 万个点。存一帧还行，存整个地图？分分钟几个 GB。

地图类型	数据量（10m×10m）	精度	适用场景
栅格地图	~40 KB	中等（取决于分辨率）	路径规划、导航
点云地图	~50 MB	高	三维重建、定位
拓扑地图	~1 KB	低（只保留拓扑关系）	大范围路径规划
语义地图	~100 KB	中（带语义标签）	人机交互、任务规划

点云地图最大的用处是定位。我记得有一次做机械臂的自主导航，用点云地图做 ICP（迭代最近点）匹配，定位精度能达到毫米级。但代价是计算量大，跑在工控机上还行，嵌入式就吃力了。

4.3 拓扑地图

拓扑地图，说白了就是一张「地铁图」。它不关心具体的几何形状，只关心「哪些地方能到哪些地方」。节点代表位置，边代表路径。

我建议在大范围场景用拓扑地图。比如一个工厂有 100 个工位，你不需要知道每个工位的精确坐标，只需要知道「从 A 工位到 B 工位，经过 C 走廊」就够了。

拓扑地图的好处是轻量。一个节点就存一个 ID 和几个邻居的指针，内存消耗几乎可以忽略不计。

// 拓扑地图的简单表示
class TopologicalNode {
public:
    int id;                          // 节点ID
    std::vector<int> neighbors;      // 邻居节点ID列表
    std::vector<float> edgeCosts;    // 到邻居的代价（距离/时间）
};

class TopologicalMap {
public:
    std::map<int, TopologicalNode> nodes;
    
    // 添加节点
    void addNode(int id) {
        nodes[id] = TopologicalNode{id, {}, {}};
    }
    
    // 添加边
    void addEdge(int from, int to, float cost) {
        nodes[from].neighbors.push_back(to);
        nodes[from].edgeCosts.push_back(cost);
    }
};

不过拓扑地图有个缺点——它不包含几何信息。如果你需要精确避障，拓扑地图帮不了你。它只能告诉你「走哪条路」，不能告诉你「路上有没有障碍物」。

4.4 语义地图

语义地图，是这几年比较火的方向。它不只是告诉机器人「这里有障碍物」，而是告诉机器人「这里有一张桌子」。

你想想看，如果机械臂知道面前是一张桌子，它就知道「桌面上可以放东西」「桌腿不能撞」「桌角要小心」。这些信息，栅格地图和点云地图都给不了。

语义地图的构建，通常需要深度学习。用目标检测网络识别出物体，然后给地图中的对应区域打上标签。

我记得有一次做家庭服务机器人，用户说「把杯子放到餐桌上」。如果没有语义地图，机器人得先找到杯子，再找到餐桌，然后规划路径。有了语义地图，机器人直接查地图——「杯子在厨房台面上，餐桌在餐厅中央」，路径规划就快多了。

但语义地图也有坑。深度学习模型不是 100% 准确的，万一它把椅子识别成桌子，那机器人就乱套了。

4.5 四种地图的对比与选型

说了这么多，到底该用哪种？我个人的经验是：

• 做路径规划 → 栅格地图（简单、可靠）
• 做三维重建 → 点云地图（精度高、细节丰富）
• 做大范围导航 → 拓扑地图（轻量、高效）
• 做人机交互 → 语义地图（智能、可理解）

当然，实际项目中往往是混合使用。比如我最近做的一个机械臂项目，底层用栅格地图做避障，上层用拓扑地图做全局规划，再叠加语义地图做任务理解。三种地图各司其职，配合得很好。