2、地图构建基础：SLAM原理、常用SLAM算法、地图表示方法
各位同学，咱们今天聊聊地图构建。说白了，机器人要在未知环境里溜达，得先知道自己在哪，还得知道周围长啥样。这就是SLAM要干的事——同时定位与地图构建。
我刚开始接触这玩意儿的时候，觉得挺玄乎的。后来自己动手调过几回参数，踩过坑，才慢慢摸到门道。今天我把这些经验掰开揉碎了讲给你听。
2.1 SLAM到底在解决什么问题？
想象一下：你蒙上眼睛走进一个陌生房间，一边走一边用手摸墙。你每走一步，都在猜「我现在在哪」，同时也在记「墙的走向是什么样的」。这就是SLAM的直觉。
从数学上讲，SLAM要同时估计两件事：
- 机器人的位姿（位置 + 朝向）
- 环境的地图（障碍物在哪、路在哪）
这两者是互相依赖的。你想想看：不知道地图，就没法准确定位；不知道位置，就没法构建准确地图。这就是个「先有鸡还是先有蛋」的问题。
核心难点：传感器有噪声，里程计会漂移，激光雷达扫描也有误差。SLAM的本质，就是用概率方法把这些不确定性给「拧」在一起。
2.2 常用SLAM算法：Gmapping vs Cartographer
市面上SLAM算法不少，但做Nav2导航，最常用的就两个：Gmapping和Cartographer。我个人的习惯是：小场景用Gmapping，大场景或者要求高精度时上Cartographer。
2.2.1 Gmapping——轻量级的老将
Gmapping是基于粒子滤波的2D SLAM算法。它的思路很简单：用一堆粒子去猜机器人的可能位置，然后根据激光观测数据给每个粒子打分，留下靠谱的，淘汰不靠谱的。
优点：
- 计算量小，跑起来快
- 对计算资源要求低，树莓派都能跑
- 小场景（比如几十平米室内）效果很好
缺点：
- 粒子数量有限，大场景容易发散
- 没有回环检测，走回头路时不会修正之前的地图
我的经验：Gmapping的粒子数别设太多，我一般设30~50个。多了反而容易发散，而且计算量上去了。另外，记得把激光雷达的帧率调高一点，10Hz以上比较稳。
2.2.2 Cartographer——精度优先的现代方案
Cartographer是Google开源的，它用了图优化的思路。说白了，就是把每一帧激光数据当成一个节点，节点之间的约束关系当成边，然后整体优化，让所有约束都尽量满足。
优点：
- 自带回环检测，走回头路能自动修正地图
- 大场景（几百米甚至几公里）也能稳定建图
- 支持2D和3D
缺点：
- 计算量大，需要比较好的CPU
- 参数多，调起来比较费劲
避坑指南：我曾经在Cartographer上栽过跟头——回环检测的阈值设得太低了，结果机器人每次经过同一个地方都触发回环，地图反而越建越乱。后来我把阈值调到0.6左右，才稳定下来。嗯，这里要注意，回环检测不是越灵敏越好。
2.3 地图表示方法：占用栅格地图
地图怎么存？最常用的就是占用栅格地图（Occupancy Grid Map）。
它的思路特别朴素：把环境划分成一个个小格子，每个格子存一个概率值，表示这个格子被占用的可能性。
- 0：表示空闲（肯定能走）
- 100：表示占用（肯定是墙或障碍物）
- -1：表示未知（还没探测到）
你想想看，这种表示方法多直观。每个格子独立存储，更新也简单——激光打到的格子，占用概率增加；激光穿过的格子，占用概率降低。
下面这张图，就是占用栅格地图的核心逻辑：
在ROS2里，占用栅格地图用 nav_msgs/msg/OccupancyGrid 消息来传递。你订阅这个话题，就能拿到地图数据。每个格子对应一个int8值，范围从0到100。
关键点：占用栅格地图的分辨率决定了地图的精细程度。分辨率越高（比如0.05米/格），地图越精细，但内存占用也越大。我一般室内用0.05米，室外用0.1米，够用了。
2.4 三种地图表示方法对比
| 地图类型 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 占用栅格地图 | 直观、更新简单、支持概率 | 分辨率固定、大场景内存大 | 2D导航、室内机器人 |
| 特征地图 | 紧凑、适合大场景 | 特征提取依赖环境 | 视觉SLAM、室外 |
| 拓扑地图 | 抽象、适合路径规划 | 丢失细节信息 | 高层任务规划 |
做Nav2导航，我们主要用占用栅格地图。它跟代价地图（Costmap）是直接打通的——代价地图就是在占用栅格地图的基础上，给每个格子加上「膨胀层」，让机器人知道哪些地方不能去。
小技巧：建图的时候，记得让机器人走「回」字形路线，把环境边界都扫一遍。我见过不少新手，建图时只走中间，结果地图边缘全是未知区域，导航时机器人直接撞墙。
好了，地图构建的基础就聊到这儿。下一节咱们会深入讲代价地图的配置和优化，到时候再细聊。