3、SLAM建图基础：Gmapping算法原理、参数详解、建图实战与地图保存

各位同学，欢迎来到SLAM建图实战环节。

今天咱们聊Gmapping。说实话，这算法有点年头了，但直到现在，很多量产扫地机器人、仓储AGV还在用。为什么？因为它够稳，够快，对算力要求低。我当年刚入行时，第一个落地的SLAM项目就是基于Gmapping做的，踩了不少坑，今天全部分享给你们。

3.1 Gmapping算法核心原理

Gmapping说白了，就是「粒子滤波 + 激光雷达 + 里程计」的组合。它解决的核心问题是：机器人一边动，一边猜自己在哪里，同时把地图画出来。

具体怎么做的？我简单拆解一下：

• 粒子滤波：每个粒子代表机器人可能的一个位姿（x, y, θ）。一开始撒一堆粒子，随着运动，不断更新粒子的权重。权重高的粒子留下，权重低的淘汰——这就是「重采样」。
• 激光观测模型：每个粒子会「预测」它看到的激光数据应该长什么样。如果和实际激光数据匹配得好，这个粒子的权重就高。
• 里程计运动模型：机器人动一步，所有粒子跟着动一步。但里程计有误差，所以粒子会加一点随机噪声。

嗯，这里要注意：Gmapping最聪明的地方在于，它改进了粒子滤波的提议分布。它没有傻傻地用里程计来撒粒子，而是把激光数据也融进去了。这样粒子更集中，需要的粒子数更少。我记得当年用200个粒子就能跑出不错的效果，而普通粒子滤波至少需要1000个。

3.2 参数详解——这些坑我替你踩过了

Gmapping的参数都在一个叫 gmapping.launch 的文件里。我直接给你们列一张表，哪些参数最要命，我标出来。

参数名	默认值	我的建议值	说明
particles	30	80~200	粒子数。太少容易发散，太多跑不动。我一般先设100试试。
minimumScore	0.0	50~100	激光匹配的最低分数。设太低，错误匹配会毁掉地图。我曾经设0，结果地图全花了。
delta	0.05	0.05	地图分辨率（米/像素）。0.05就是5cm一格。别改太小，否则地图文件巨大。
linearUpdate	1.0	0.5	机器人走多少米更新一次地图。设小点，地图更精细，但计算量也大。
angularUpdate	0.5	0.2	机器人转多少弧度更新一次。转弯多的地方，这个值要小。
maxUrange	80.0	激光雷达最大测距	超过这个距离的激光点会被忽略。我建议设成雷达标称距离的80%。
srr / srt / str / stt	0.01 / 0.02 / 0.01 / 0.02	视底盘而定	里程计噪声模型参数。底盘差就设大点，底盘好就设小点。我调过最差的底盘，这些值要放大10倍。

3.3 建图实战——手把手带你跑起来

好，理论讲完了，咱们直接上手。你想想看，如果只看参数不看实战，那跟没学一样。

第一步：启动底盘和雷达

我假设你已经有了机器人底盘驱动和激光雷达驱动。先跑起来：

# 启动底盘（以差速轮为例）
roslaunch my_robot_base base.launch

# 启动激光雷达（以RPLIDAR为例）
roslaunch rplidar_ros rplidar.launch

# 检查话题
rostopic list | grep -E "scan|odom"

确保你能看到 /scan 和 /odom 这两个话题。没有的话，Gmapping没法干活。

第二步：启动Gmapping

创建一个launch文件，我习惯叫 gmapping_slam.launch：

<launch>
  <node pkg="gmapping" type="slam_gmapping" name="slam_gmapping" output="screen">
    <param name="base_frame" value="base_footprint"/>
    <param name="odom_frame" value="odom"/>
    <param name="map_frame" value="map"/>
    <param name="map_update_interval" value="5.0"/>
    <param name="maxUrange" value="8.0"/>
    <param name="minimumScore" value="80"/>
    <param name="particles" value="100"/>
    <param name="linearUpdate" value="0.5"/>
    <param name="angularUpdate" value="0.2"/>
    <param name="delta" value="0.05"/>
  </node>
</launch>

然后运行：

roslaunch gmapping_slam.launch

第三步：可视化建图过程

打开Rviz，添加 Map 显示，话题选 /map。再添加 LaserScan 和 RobotModel。你会看到地图一点点被画出来。

3.4 地图保存——别让辛苦白费

地图建好了，怎么存下来？ROS提供了一个工具叫 map_server。

保存命令很简单：

# 安装map_server（如果没装）
sudo apt install ros-noetic-map-server

# 保存地图
rosrun map_server map_saver -f ~/my_map

运行后，你会得到两个文件：

• my_map.pgm：图片格式的地图。白色是空地，黑色是障碍物，灰色是未知区域。
• my_map.yaml：地图的元数据文件，包含分辨率、原点坐标、占用阈值等。

打开 my_map.yaml 看看，内容大概长这样：

image: my_map.pgm
resolution: 0.050000
origin: [-10.000000, -10.000000, 0.000000]
negate: 0
occupied_thresh: 0.65
free_thresh: 0.196

这里有个坑：origin 是地图左下角在真实世界中的坐标。如果你建图时机器人起点不在原点，这个值会变。我建议建图前先把机器人放在一个固定起点，这样地图坐标好对齐。

好了，以上就是Gmapping从原理到实战的全流程。参数调优是个慢功夫，我建议你每次只改一个参数，看看地图变化。别一次改一堆，出了问题都不知道是哪个参数搞的鬼。

记住：建图就像画画，急不得。慢慢来，地图自然会漂亮。