2、地图基础与SLAM算法选型：栅格地图原理、Gmapping与Cartographer对比、SLAM Toolbox介绍

做机器人导航，第一关就是地图。没有地图，机器人就是个瞎子。

我刚开始接触ROS2导航时，也踩过不少坑。最典型的就是——明明SLAM跑出来了，地图看着也挺漂亮，但导航就是撞墙。后来才发现，问题出在地图本身。嗯，这一章我们就来聊聊地图的底层逻辑，以及怎么选SLAM算法。

2.1 栅格地图原理：机器人眼中的世界

机器人怎么理解环境？它不像我们人眼一看就懂。它靠的是传感器数据，比如激光雷达。

激光雷达扫一圈，得到一堆点云。这些点云怎么变成地图？

说白了，就是栅格地图（Occupancy Grid Map）。

为什么用概率而不是0/1？因为传感器有噪声。激光打过去，可能反射回来，也可能没反射回来。直接二值化太粗暴了。

我记得在做一个仓储机器人项目时，仓库里有很多金属货架。激光打到金属上，偶尔会漏掉几个点。如果用二值化地图，那些漏掉的地方就成了“空洞”，导航时机器人会一头撞上去。后来改用概率栅格，通过多次扫描累积置信度，才解决了这个问题。

2.2 Gmapping vs Cartographer：两个时代的产物

SLAM算法选型，是很多新手纠结的地方。我直接说结论：

对比项	Gmapping	Cartographer
算法类型	基于粒子滤波	基于图优化
传感器要求	必须要有里程计	可纯激光，也可融合IMU
计算资源	低，树莓派也能跑	高，建议有GPU或强CPU
回环检测	弱，容易漂移	强，自带闭环优化
建图质量	小场景不错，大场景容易飘	大场景稳定，精度高
ROS2支持	需要自己移植	官方支持ROS2

我个人习惯这样选：

• 小房间、实验室、家庭环境 → 用Gmapping。轻量、快速、够用。
• 工厂、仓库、商场、长走廊 → 用Cartographer。闭环能力强，不会跑着跑着地图就歪了。

为什么会这样？

Gmapping是粒子滤波，说白了就是撒一把粒子，让它们去猜机器人的位置。粒子越多越准，但计算量也越大。小场景粒子少一点也能收敛。大场景嘛……粒子容易发散，地图就飘了。

Cartographer用的是图优化。它把每一帧激光数据当成一个节点，节点之间建立约束。一旦检测到回环（比如转了一圈回到原点），就全局优化一次，把累积误差拉回来。我在一个5000平米的仓库里测试过，Cartographer跑完一圈，地图闭合误差不到10cm。Gmapping的话……嗯，我不太想回忆。

2.3 SLAM Toolbox：新一代的救星

如果你觉得Gmapping太老，Cartographer太难配，那SLAM Toolbox就是为你准备的。

SLAM Toolbox是ROS2社区推出的官方SLAM库。它基于图优化，但比Cartographer更“开箱即用”。

它的几个亮点：

• 异步模式：建图和定位可以分开。你可以先建好一张地图，然后只做定位，不用再跑SLAM。
• 地图持久化：建好的地图可以保存、加载、编辑。我经常在仿真里建好地图，直接部署到真机上。
• 生命周期管理：SLAM节点可以按需启动和停止，不浪费资源。

启动一个SLAM Toolbox非常简单：

ros2 launch slam_toolbox online_async.launch.py

就这么一行。它会自动订阅激光话题，开始建图。

我个人建议：如果你是新手，或者项目时间紧，直接上SLAM Toolbox。它把很多底层细节封装好了，你只需要关心地图质量就行。

2.4 本章知识体系

下面这张图，是我自己总结的SLAM选型逻辑。你可以把它当成一个决策树：

嗯，这张图很直白。你只要问自己两个问题：场景大不大？算力够不够？答案就出来了。

2.5 总结

这一章我们聊了三件事：

• 栅格地图的原理——说白了就是概率格子，别用二值化。
• Gmapping和Cartographer的对比——小场景用Gmapping，大场景用Cartographer。
• SLAM Toolbox——如果你不想折腾，就用它。

我个人经验是：不要迷信某个算法。工具是死的，场景是活的。你想想看，一个扫地机器人用Cartographer，那不是杀鸡用牛刀吗？反过来，一个自动驾驶叉车用Gmapping，那地图早就飘到外太空了。

下一章，我们会真正动手，在ROS2里跑一个完整的SLAM建图流程。到时候你会看到，地图是怎么从激光数据里“长”出来的。