地图基础概念：占据栅格地图、概率地图、代价地图

做机器人导航这些年，我越来越觉得一个道理：地图是机器人的眼睛。没有好的地图，再牛的算法也白搭。

今天咱们就来聊聊三种最核心的地图概念。这三种地图，说白了就是机器人理解世界的三种不同方式。我刚开始接触Nav2时，也经常把它们搞混。后来踩了不少坑，才慢慢理清楚。

1. 占据栅格地图（Occupancy Grid Map）

这是最基础、最常用的地图形式。你想想看，机器人怎么知道前面有没有墙？

占据栅格地图的做法很简单：把环境切成一个个小格子。每个格子要么是空的，要么被占了。

我记得第一次做扫地机器人项目时，用的就是这种地图。每个格子大小设成了5cm×5cm。太小了计算量太大，太大了又看不清细节。

占据栅格地图的数学表达其实不复杂：

// 每个栅格的值范围：0-100
// 0  = 完全空闲
// 100 = 完全占据
// -1 = 未知区域

// 更新公式（对数几率形式）：
l(m_i | z_{1:t}) = l(m_i | z_{1:t-1}) + l(m_i | z_t) - l(m_i)

嗯，这里要注意：不是所有格子都需要更新。只有激光雷达扫到的区域才需要处理。我见过有人傻乎乎地每帧更新全图，结果CPU直接拉满。

2. 概率地图（Probability Map）

占据栅格地图有个问题：它太了。一个格子要么是0要么是100，但现实世界哪有这么黑白分明？

概率地图就是来解决这个问题的。它用贝叶斯滤波的思想，不断更新每个格子的置信度。

概率地图的更新流程大概是这样的：

1. 预测阶段：根据机器人运动模型，预测新位置
2. 观测阶段：激光雷达扫到障碍物，更新对应栅格
3. 融合阶段：把新旧信息加权平均

我曾经在一个仓库项目里吃过亏。仓库里全是货架，激光雷达扫过去全是反射。如果用普通的占据栅格地图，机器人会以为到处都是墙。后来换成概率地图，加上一个动态阈值，才把问题解决。

概率地图的更新公式：

P(occupied | z) = P(z | occupied) * P(occupied) / P(z)

// 实际应用中常用对数几率形式：
log_odds = log(P(occupied) / (1 - P(occupied)))

3. 代价地图（Costmap）

代价地图是Nav2里最常用的。它不是在问「这里有没有障碍物」，而是在问「从这里走有多危险」。

代价地图把每个格子赋予一个代价（cost），范围0-255：

代价范围	含义	典型场景
0	完全自由	开阔地面
1-50	低风险	靠近墙壁但可通行
51-100	中等风险	障碍物边缘
101-253	高风险	狭窄通道
254	致命障碍	墙壁、柱子
255	未知区域	未探索区域

代价地图有个很实用的特性：膨胀层。说白了就是把障碍物「吹胖」一圈，给机器人留出安全距离。

代价地图的生成流程：

# 伪代码示例
def update_costmap(laser_scan, robot_pose):
    # 1. 从激光数据生成障碍物层
    obstacle_layer = compute_obstacles(laser_scan)
    
    # 2. 添加膨胀层
    inflated_layer = inflate(obstacle_layer, radius=0.3)
    
    # 3. 叠加静态地图层
    static_layer = load_static_map("map.yaml")
    
    # 4. 融合所有层
    final_costmap = fuse_layers([static_layer, obstacle_layer, inflated_layer])
    
    return final_costmap

三种地图的关系

这三种地图不是互相替代的关系，而是层层递进的：

• 占据栅格地图是基础，告诉你「有没有东西」
• 概率地图是升级，告诉你「有多大概率有东西」
• 代价地图是应用，告诉你「从这里走划不划算」

我个人的习惯是：建图时用概率地图，导航时用代价地图。占据栅格地图作为中间格式，用来保存和加载。

下面这张图展示了三种地图的核心逻辑关系：

最后说一句：别把地图想得太玄乎。它就是个数据结构，关键是怎么用好它。我见过有人把参数调了三个月，结果发现是传感器没装稳。嗯，有时候问题没你想的那么复杂。

可可精品资料库