4、SLAM算法选型：Gmapping、Cartographer、KartoSLAM、HectorSLAM

做导航，第一步就是建图。地图建不好，后面路径规划全是白搭。

我经常被问到：“老师，这么多SLAM算法，我到底该选哪个？”

说实话，没有银弹。每种算法都有自己的脾气。今天我就把这四种主流算法掰开揉碎了讲，把我这些年踩过的坑、攒下的经验，一股脑倒给你。

下面这张图，是我自己总结的选型逻辑。你一看就明白，不同场景该找谁。

Gmapping 是我最早接触的SLAM算法。说白了，它就是基于粒子滤波的2D激光SLAM。

优点很明显：

缺点也很致命：

💡 我的经验： 如果你做的是家庭扫地机器人，或者小范围巡检车，Gmapping完全够用。我曾在50平米的办公室用Gmapping建图，效果非常好。但超过500平米，我建议你换别的。

Cartographer 是Google开源的项目。它最大的亮点就是——支持回环检测。

你想想看，Gmapping建大图会飘，但Cartographer不会。它用了一种叫“子图”的机制，每建一小块图就做一次局部优化，等闭环检测到旧区域时，再全局优化一把。嗯，这招很聪明。

适用场景：

⚠️ 注意： Cartographer配置参数非常多。我曾经花了一整天调一个参数，结果发现是另一个参数没开。建议你从官方给的示例配置开始改，别自己从头写。

KartoSLAM 是Slam Karto公司开源的。它用的是图优化（Graph-based SLAM），不是粒子滤波。

说白了，它把机器人的位姿和地图特征点当成一个个节点，然后用图优化来求解。这样做的好处是——精度高，且能处理大规模地图。

我个人的感受：

  📌 一句话总结： 如果你不想折腾Cartographer那堆参数，又嫌Gmapping太弱，KartoSLAM是折中好选择。

HectorSLAM 是个特例。它不依赖里程计，只靠激光雷达的扫描匹配来估计位姿。

为什么会这样？因为它用了高斯牛顿法，对每一帧激光数据做优化，直接算出机器人的移动。这在一些极端场景下是救命稻草。

适用场景：

⚠️ 避坑指南： 我曾经在一条长走廊里用HectorSLAM，结果因为走廊太直、特征太少，算法直接飘了。HectorSLAM对激光雷达的帧率和精度要求很高，建议用30Hz以上的雷达。另外，它没有回环检测，大场景慎用。

算法	核心方法	回环检测	依赖里程计	适合场景	上手难度
Gmapping	粒子滤波	❌ 无	✅ 需要	小场景、室内	⭐ 简单
Cartographer	子图+图优化	✅ 有	✅ 需要	大场景、工业	⭐⭐⭐⭐ 复杂
KartoSLAM	图优化	✅ 有	✅ 需要	结构化环境	⭐⭐ 中等
HectorSLAM	扫描匹配	❌ 无	❌ 不需要	无里程计场景	⭐⭐ 中等

如果你刚开始学，我建议你从 Gmapping 入手。它简单、直观，能帮你快速理解SLAM的整个流程。等你把Gmapping玩熟了，再切换到 Cartographer 做进阶。

如果你做的是商业项目，直接上 Cartographer。虽然配置麻烦点，但精度和稳定性对得起你的时间。

至于HectorSLAM，把它当成一个“备胎”。哪天你的里程计挂了，或者你换了个没轮子的平台，它就是你的救星。

💡 一个小技巧： 不管你选哪个算法，建图前一定要校准激光雷达和里程计。我见过太多人花几天调SLAM参数，结果发现是雷达装歪了。先校准，再建图，能省你80%的调试时间。

好了，这四种算法就讲到这里。每种都有它的脾气，选对了，事半功倍；选错了，天天加班。希望这张图和这些经验，能帮你少走弯路。