第1章 · 课程导论与SLAM系统全景

各位同学好，我是你们这门课的主讲。在机器人行业摸爬滚打了快十年，SLAM 算是我最常打交道的老朋友了。今天咱们不急着写代码，先坐下来聊聊——到底什么是 SLAM？为什么我们要花这么多精力搞仿真？ 你想想看，如果连地图都没有，机器人怎么敢说自己“知道自己在哪”？

我个人习惯把 SLAM 拆成两个词：同时 与 定位建图。说白了，就是让一个移动的机器人，在完全陌生的环境里，一边走路一边给自己画地图，同时还要在地图上找到自己的位置。听起来像不像一个人蒙着眼走进一间黑屋子，一边摸墙一边在心里画户型图？嗯，差不多就是这个意思。

1.1 为什么需要仿真？

我在项目里吃过不少亏。记得有一次，在真实机器人上调试激光匹配，参数没调好，小车直接怼墙上去了…… 修车花了三千，耽误了两周进度。从那以后，我养成了一个习惯：先仿真，再上车。

• 成本低、零风险： 仿真里撞墙、翻车、炸雷达，重启就行。真车撞一次，钱包就哭了。
• 数据可重复： 同样的场景跑一百遍，每次传感器噪声都一样，方便你对比算法改进。
• 时间加速： 仿真里可以跑 10 倍速，一小时的实验六分钟搞定。
• 极端场景随便造： 黑暗、烟雾、传感器故障…… 真实环境很难复现，仿真里一键切换。

1.2 课程目标与学习路径

这门课不是纸上谈兵。我们的目标非常明确：从零搭建一套完整的、可在仿真中运行的 2D/3D SLAM 系统。你会亲手写出前端匹配、后端优化、回环检测、栅格建图，并且把它们集成到 ROS + Gazebo 里。

1. 基础期（第2-7章）： 装环境、学 ROS、搭仿真机器人、搞定传感器数据流。
2. 核心算法期（第8-17章）： 前端 ICP/NDT、后端图优化、回环检测、建图——每个模块都手写。
3. 系统集成期（第18-20章）： 把模块拼成完整 SLAM 系统，联调跑通。
4. 评估与进阶（第21-30章）： 复杂场景、多机器人、性能评估、视觉融合、实战项目。

1.3 SLAM 系统核心模块概览

一个完整的 SLAM 系统，就像一辆四轮车：前端、后端、回环检测、建图，缺一个就跑不稳。我画了张图，帮你建立整体印象。

从图里你能看到，传感器数据先进入前端，算出相邻帧的相对运动。然后后端把这些估计值攒成一个图，不断优化。回环检测像是一个“记忆唤醒”机制——当机器人再次回到之前去过的地方，它会告诉后端：“嘿，这里以前来过，把地图拉拢一点！” 最后，建图模块把优化后的位姿和观测融合成一张完整地图。

1.4 四个模块的协作关系

模块	输入	输出	典型方法
前端	传感器帧 (LiDAR / 图像)	帧间相对位姿 + 匹配残差	ICP, NDT, 特征匹配
后端	前端位姿 + 回环约束	全局一致位姿 (图优化)	g2o, Ceres, 因子图
回环检测	当前帧 + 历史关键帧	回环候选 (帧对 + 相对位姿)	Scan Context, 直方图, 几何验证
建图	优化后的位姿 + 传感器观测	占用栅格 / TSDF / ESDF	栅格概率更新, 投影融合

你可能会问：“这四个模块哪个最难？” 我个人觉得，前端和回环检测最考验工程直觉。后端有成熟的库，建图公式也固定。但前端匹配一旦遇到退化环境（长走廊、空旷广场），很容易跑飞。我建议你学完每个模块后，都回到这张全景图，想想它和其他模块怎么握手。