1. SLAM数据采集概述

数据采集，说白了就是SLAM系统的“食材”。没有好食材，再厉害的厨师也做不出好菜。我见过太多团队花几个月调算法，最后发现是采集的数据本身就有问题——嗯，白忙一场。所以这一章咱们先聊聊：为什么数据采集这么关键？以及传感器到底该怎么选。

1.1 为什么数据采集如此重要？

你可能觉得SLAM嘛，核心是前端匹配和后端优化。数据采集不就是拿个传感器录一段bag吗？

我刚开始做机器人时也这么想。直到有一次在室内走廊跑图，激光雷达被阳光直射产生大量噪点，后端直接优化飞了。后来排查了三天，才发现是采集时传感器参数没调对。你想想看，如果数据里带着系统性偏差，后面所有环节都会被污染。

数据采集的重要性，我总结了三点：

• 决定了算法的上限 —— 再好的图优化也救不了缺失的回环约束。
• 影响鲁棒性 —— 动态物体、光照变化、传感器退化，这些都要在采集阶段就考虑。
• 节省调试时间 —— 干净的数据让你能快速定位算法问题，而不是跟数据噪声纠缠。

1.2 传感器选型原则

选传感器就像选队友——没有最好的，只有最合适的。下面我结合自己的项目经验，聊聊三种主流传感器的选型思路。

🔹 激光雷达 (LiDAR)

激光雷达是SLAM里的“老大哥”。测距准、不受光照影响，室内外通吃。但价格嘛……你懂的。

• 优点： 直接获取3D点云，精度高，角分辨率稳定。
• 缺点： 成本高，对镜面/玻璃/吸光材料表现差，点云稀疏时特征少。
• 适用场景： 建图精度要求高的场景，比如工业AGV、自动驾驶。

我记得有一次在仓库做项目，用了16线激光雷达，结果货架金属支柱反光严重，点云出现大量“鬼影”。后来换了32线并调整了回波模式才解决。所以选型时一定要考虑环境材质。

🔹 深度相机 (RGB-D)

深度相机这几年很火，尤其是室内SLAM。结构光、ToF、双目，各有各的脾气。

• 优点： 同时提供彩色图和深度图，纹理丰富，适合视觉SLAM。
• 缺点： 室外强光下深度失效，测量距离有限（通常<10m），容易受干扰。
• 适用场景： 室内服务机器人、AR/VR、小型无人机。

🔹 编码器 (轮式里程计)

编码器是机器人的“内感”，虽然不能直接感知环境，但提供了短时间内的相对运动估计。

• 优点： 成本极低，更新频率高（100Hz+），不依赖外部环境。
• 缺点： 存在累积误差，打滑时数据完全不可信。
• 适用场景： 轮式机器人、作为IMU/视觉的辅助。

我个人习惯把编码器当作“短距离信任，长距离怀疑”的角色。在室内小范围场景，编码器能提供很平滑的局部轨迹，但一旦跑了超过50米，最好用激光或视觉来修正。

1.3 传感器对比速览

传感器	精度	成本	室外鲁棒性	典型频率
激光雷达 (多线)	高 (cm级)	高	优秀	10~20 Hz
深度相机 (RGB-D)	中 (cm~dm)	中低	差 (强光失效)	15~30 Hz
编码器	低 (相对)	极低	不受光照影响	50~200 Hz

1.4 选型决策框架

你可能会问：那我到底该选哪个？其实没有标准答案。我一般会问自己三个问题：

1. 场景是室内还是室外？ 室外优先激光雷达或双目；室内可以选RGB-D或单线激光。
2. 精度要求多高？ 厘米级必须上激光雷达；分米级深度相机也能凑合。
3. 预算多少？ 预算有限就编码器+IMU+单线激光，做2D SLAM。

下面这张图是我自己总结的选型逻辑，你可以参考一下：

当然，实际项目中往往是多传感器融合。比如我最近做的仓储机器人，就是激光雷达为主，深度相机辅助识别货架标签，编码器提供轮速。没有哪个传感器是万能的，组合起来才能互补。

好了，这一章我们聊了数据采集的重要性，以及三种主流传感器的选型原则。不过在那之前，建议你先想清楚自己的场景和需求——选对传感器，SLAM就成功了一半。