课程导入：ROS2与SLAM建图概述

1.1 为什么机器人需要SLAM？

当一台机器人被放置到陌生环境中时，它面临两个最基本的问题：“我在哪里？”和“周围长什么样？”。如果机器人无法回答这两个问题，那么后续的路径规划、导航避障、任务执行都将无从谈起。SLAM（Simultaneous Localization and Mapping，同步定位与建图）正是解决这一核心矛盾的技术——它让机器人在未知环境中一边移动，一边利用自身传感器数据同时估计自身位姿并构建环境地图。

在ROS2框架下，SLAM不再是实验室里的孤立算法，而是被封装为可复用的功能包、节点和接口。理解ROS2与SLAM的结合方式，是学习机器人建图源码的第一步，也是从“调包跑通”走向“读懂原理”的关键跨越。

1.2 SLAM建图的核心原理

SLAM问题的数学本质是一个联合状态估计问题。设机器人位姿为 \(x_{1:T}\)，环境地图为 \(m\)，传感器观测为 \(z_{1:T}\)，控制输入为 \(u_{1:T}\)，则SLAM的目标是求解后验概率：

\[ P(x_{1:T}, m \mid z_{1:T}, u_{1:T}) \]

实际工程中，根据传感器类型和算法流派，SLAM被划分为两大技术路线：

• 激光SLAM（LiDAR-based SLAM）：使用2D/3D激光雷达，通过点云配准（如ICP、NDT）估计帧间位姿变换，代表算法有Gmapping、Cartographer、LOAM系列。优点：精度高、不受光照影响；缺点：传感器成本高。
• 视觉SLAM（Visual SLAM）：使用单目/双目/深度相机，通过特征点提取与匹配（ORB、SIFT）或直接法估计位姿，代表算法有ORB-SLAM3、VINS-Mono。优点：传感器成本低、可获取语义信息；缺点：受光照和纹理影响大。

在ROS2的生态中，Gmapping（基于粒子滤波）和Cartographer（基于图优化）是最常用的两种2D激光SLAM方案。本课程将围绕这两种方案展开源码级解析。

1.3 ROS2中的SLAM建图流程

在ROS2中，一个完整的SLAM建图系统由多个节点通过话题（Topic）和服务（Service）协作完成。下图展示了典型的节点通信拓扑：

1. 传感器驱动节点：发布 /scan（激光数据）、/odom（里程计）、/imu（惯性数据）等话题。
2. SLAM算法节点：订阅上述话题，实时计算位姿并构建地图，发布 /map（栅格地图）和 /map_metadata（地图元数据）。
3. TF树：维护 map → odom → base_link → laser 的坐标变换关系，是SLAM正确运行的前提。
4. 地图保存节点：通过 map_saver 将 /map 话题保存为PGM图像和YAML配置文件。

# 订阅的话题
/scan          : sensor_msgs/msg/LaserScan
/odom          : nav_msgs/msg/Odometry
/tf            : tf2_msgs/msg/TFMessage

# 发布的话题
/map           : nav_msgs/msg/OccupancyGrid
/map_metadata  : nav_msgs/msg/MapMetaData

# 服务
/static_map     : nav_msgs/srv/GetMap
/occupancy_grid : nav_msgs/srv/GetMap

1.4 课程学习目标与结构

本课程共30章，从环境搭建到源码剖析，再到自主扩展，层层递进。完成本课程后，你将具备以下能力：

1.5 常见误区与学习建议