1. 地图构建概述
各位同学好，我是这门课的主讲工程师。咱们今天聊的话题，是机器人学里最基础也最迷人的一块——地图构建。
说白了，地图构建就是让机器人搞清楚自己「在哪儿」以及「周围长什么样」。你想想看，一个机器人如果连自己身处何方都不知道，那它怎么去执行任务？我早年做项目时就吃过这个亏——一台AGV小车在仓库里转了几圈，定位飘了，直接撞上了货架。嗯，从那以后我再也不敢轻视地图构建了。
什么是地图构建
地图构建（Mapping），本质上是一个从传感器数据到空间模型的转换过程。机器人通过激光雷达、摄像头、超声波等传感器感知环境，然后把这些零散的观测数据拼成一张完整的、可供导航和决策用的地图。
这里有个关键点：地图构建通常和定位是绑在一起的。你一边要估计自己的位姿，一边要更新地图，这就是经典的SLAM（Simultaneous Localization and Mapping）问题。我个人习惯把SLAM比作「先有鸡还是先有蛋」——没有准确的地图就定不准位，没有准确的位姿就建不好图。
核心公式（简化版）：
地图 = f(传感器数据, 机器人位姿)
位姿 = g(传感器数据, 已有地图)两者交替迭代，最终收敛到一致的状态。
地图构建的应用场景
地图构建不是实验室里的玩具，它在工业界已经大规模落地了。我挑三个最常见的场景聊聊。
自动驾驶
自动驾驶对地图的要求是最苛刻的。车在高速上跑，时速120公里，偏差几厘米就可能出事。所以自动驾驶用的地图不仅仅是「哪里有路」，而是高精地图（HD Map）——包含车道线曲率、坡度、交通标志的精确三维位置、甚至路沿的高度。
我记得有一次帮某车企做路测，激光雷达扫到一段施工路段，地图和实时数据对不上，系统直接降级到人工接管。后来我们加了一层动态障碍物过滤，才把误报率降下来。
扫地机器人
这个大家可能更熟悉。你家扫地机为什么能规划出「弓字形」路径？为什么不会反复撞同一个墙角？靠的就是实时构建的栅格地图。
扫地机的传感器通常比较廉价——单线激光或红外+碰撞传感器。在这种硬件约束下，地图构建的鲁棒性就特别重要。我曾经调试过一台扫地机，它在深色地毯上老是丢定位，后来发现是红外传感器在深色表面反射率太低。解决办法？加了一颗ToF传感器做互补。
AR/VR
AR/VR里的地图构建，核心是理解用户所处的物理空间。比如你戴着AR眼镜，虚拟的恐龙要「站」在真实桌面上，那系统必须先知道桌面的平面位置和朝向。
这里用的通常是视觉SLAM，靠摄像头图像特征点来建图。我做过一个AR家装项目，用户把虚拟沙发拖到客厅里，结果沙发「浮」在半空中——因为地面纹理太单一，特征点不够，深度估计失败了。后来我们强制要求用户先扫一遍地面，才解决了这个问题。
| 场景 | 传感器主力 | 地图精度要求 | 典型挑战 |
|---|---|---|---|
| 自动驾驶 | 激光雷达 + 摄像头 + IMU | 厘米级 | 动态物体、天气变化 |
| 扫地机器人 | 单线激光 / 红外 + 碰撞 | 分米级 | 低成本传感器、家庭环境多变 |
| AR/VR | 摄像头 + IMU | 厘米级（局部） | 光照变化、纹理稀疏 |
地图的数学表示
地图在计算机里不是一张「图片」，而是一种数据结构。不同的任务适合不同的表示方式。我按自己的经验，把最常见的三种地图表示法拆开来讲。
栅格地图（Occupancy Grid Map）
这是最直观的一种。把空间划分成一个个小格子（栅格），每个格子存一个概率值，表示「这个格子被占据的可能性」。0表示空闲，1表示占据，0.5表示未知。
栅格地图的优点：实现简单，适合局部避障。扫地机、无人车做路径规划时，直接在栅格地图上跑A*算法就行。
缺点也很明显：内存消耗大。一个100m×100m的区域，如果栅格分辨率是5cm，那就是400万个格子。每个格子存一个float，光地图就占16MB。我当年在嵌入式设备上做栅格地图，不得不把分辨率降到20cm，才勉强塞进内存。
避坑指南：栅格地图的更新要注意「逆传感器模型」。不是所有传感器数据都能直接填0或1，要根据传感器的噪声特性做概率更新。我曾经直接用激光点的命中/未命中来更新栅格，结果地图上全是噪点——后来加了贝叶斯更新才稳定下来。
特征地图（Feature Map）
特征地图不存「格子」，而是存环境中的显著特征——比如墙角的角点、门框的直线、柱子的圆心。每个特征用参数表示（位置、方向、尺寸），再加上一个描述子。
这种地图的优点是紧凑、适合做回环检测。你想想看，如果机器人回到一个之前到过的走廊，它只需要匹配几个角点特征，就能认出这是同一个地方，而不需要比对整张栅格图。
缺点呢？对环境纹理敏感。如果场景里全是白墙，特征点就很少，地图构建容易失败。我做仓储机器人时遇到过这种情况——仓库里全是统一规格的货架，特征高度重复，回环检测经常误匹配。后来我们加了几何约束（比如特征之间的相对距离），才把误匹配率降下来。
拓扑地图（Topological Map）
拓扑地图是最抽象的一种。它不关心具体的几何尺寸，只关心节点之间的连通关系。节点代表「地点」（比如走廊尽头、房间门口），边代表「可以通行」。
这种地图特别适合大范围、长距离的导航。比如一个商场里的导引机器人，它不需要知道每块地砖的精确位置，只需要知道「从电梯口到卫生间，先直走30米，再右转」这种拓扑关系就够了。
拓扑地图的构建难点在于节点提取——怎么自动识别出「有意义的地点」？我常用的方法是检测拓扑变化点，比如门、岔路口、走廊拐角。这些位置往往对应着机器人运动状态的显著变化。
| 地图类型 | 存储内容 | 空间复杂度 | 适用场景 |
|---|---|---|---|
| 栅格地图 | 每个格子的占据概率 | O(n²) | 局部避障、路径规划 |
| 特征地图 | 特征点/线/面的参数 | O(k) | 回环检测、视觉SLAM |
| 拓扑地图 | 节点 + 边 | O(m) | 大范围导航、任务规划 |
三种地图的关系
你可能会问：这三种地图是互斥的吗？其实不是。在实际工程中，我们经常混合使用。
比如自动驾驶系统：底层用栅格地图做局部路径规划（避开临时障碍物），中层用特征地图做定位和回环检测，顶层用拓扑地图做全局路径规划（从A点到B点走哪条路）。
我自己的习惯是：能简单就别复杂。如果任务只需要局部避障，栅格地图就够了，没必要上特征地图。如果任务需要跨楼层导航，拓扑地图是最省事的。别为了炫技而增加系统复杂度——这是我在项目里摔过跟头才明白的道理。
注意：地图表示的选择直接影响后续的定位、规划、控制算法。选错了地图类型，后面改起来成本极高。我建议你在项目初期就画一张「地图选型决策树」，把传感器、算力、精度要求都列出来，再决定用哪种表示。
这张图把本章的知识结构串起来了。你可以看到，地图构建不是孤立的技术，它一头连着传感器和算法，另一头连着具体的应用场景。后面的章节里，我们会逐一深入每个子话题——从栅格地图的数学推导，到特征提取的工程实现，再到拓扑地图的自动构建。