1. SLAM 技术全景：从传感器原理到地图表示

各位同学，欢迎来到《地图构建与导航调参双核心进阶》的第一章。

做 SLAM 这些年，我见过太多人一上来就调参数、跑数据集，结果地图飞了、导航撞了，完全不知道问题出在哪。说白了，就是没把整个链路看清楚。这一章，我带你把 SLAM 的「全链路」走一遍——从传感器怎么采集数据，到最终地图长什么样，中间每一步都在干什么。

你想想看，建图和导航其实是两件事，但很多人把它们混在一起调。我习惯把这两个核心拆开看：建图是「我在哪、周围长什么样」，导航是「我怎么过去」。搞懂这个，后面调参才有方向。

  双核心思维模型：建图核心解决「一致性」——地图要准、要稳；导航核心解决「可行性」——路径要通、要安全。两个核心互相依赖，但调参思路完全不同。

SLAM 的第一步，是感知世界。传感器就是机器人的眼睛。我最早做项目时用的是单目相机，那时候踩过一个坑——纯视觉在弱纹理环境下直接崩了。后来才明白，不同传感器有各自的脾气。

主流传感器分三类：

传感器类型	核心原理	典型输出	我的经验
单目相机	透视投影，丢失深度	RGB 图像（2D）	尺度不确定，初始化容易飘
双目/深度相机	视差/结构光计算深度	RGB-D 或视差图	室内好用，室外阳光直射会失效
激光雷达	TOF 测距，直接获取 3D 点云	点云（x,y,z,intensity）	精度高，但贵，而且运动畸变要处理
IMU	加速度+角速度积分	线加速度、角速度	短时准，长时飘，必须和视觉/激光融合

我的建议：刚入门别贪多，先吃透一种传感器。我个人习惯从双目或深度相机开始，因为深度信息直观，调试时能快速验证前端匹配是否正确。

传感器拿到数据后，SLAM 系统要回答第一个问题：机器人动了多少？这就是前端干的事。

前端核心就两件事：

我记得有一次做视觉 SLAM，走廊全是白墙，特征点提取出来不到 10 个，位姿估计直接发散。后来加了 IMU 预积分，才把系统稳住。所以现在我做项目，只要条件允许，一定会用视觉+IMU 的紧耦合方案。

避坑指南：我曾经在动态场景下吃过亏——有人走过就把特征点匹配带偏了。前端一定要加异常剔除，比如 RANSAC 或者基于卡方检验的拒判。别信「纯匹配」能搞定一切。

前端给的位姿是「短时估计」，误差会累积。后端的作用，就是把这些误差摊平，让整个轨迹和地图保持一致。

后端优化有两种主流思路：

滤波方法（EKF）：只维护当前状态，计算快，但线性化误差大。适合小场景、低算力平台。
图优化（Graph Optimization）：把位姿和路标点建成图，用非线性最小二乘整体优化。精度高，但计算量大。现在主流 SLAM 系统基本都用图优化。

我个人的习惯是：如果场景小于 100 平米，EKF 够用；超过这个范围，老老实实上图优化。别为了省算力牺牲精度，后面导航会还回来的。

SLAM 的最终产出是地图。但地图长什么样，取决于你要用它干什么。

建图与导航对地图的需求完全不同：

  双核心思维在这里体现：建图阶段，我建议输出两种地图——一份稀疏特征图用于定位，一份占据栅格图用于导航。别指望一张地图打天下，那是新手思维。

下面这张图，是我自己总结的 SLAM 全链路流程。每次带新人，我都会先让他们看这张图，把每个模块的输入输出搞清楚，再动手调参。

好，现在我们把整个链路走完了。最后我想重点说说「双核心思维」——这是贯穿整个课程的主线。

建图核心：目标是让地图「准」。你希望地图里的每个点、每条边都和真实世界对得上。所以建图调参的重点在：

导航核心：目标是让路径「通」。地图有点误差没关系，但机器人不能撞墙、不能卡死。导航调参的重点在：

我曾经犯过的错：有一回做仓储机器人，建图精度很高，但导航老是绕远路。后来发现是代价地图的膨胀半径设得太小，机器人贴着障碍物走，路径规划器以为能过，实际过不去。调大膨胀半径后，路径虽然长了点，但机器人一次都没卡住。这就是典型的「建图好但导航差」——两个核心要分开调。

所以，从今天开始，我希望你养成一个习惯：拿到一个 SLAM 系统，先问自己——我现在是在优化建图，还是在优化导航？这两个目标有时候冲突，但你必须清楚当前在做什么。