环境建模：栅格地图、八叉树地图、点云地图、拓扑地图的构建与选择

做路径规划这么多年，我越来越觉得——地图选不对，算法全白费。你想想看，一个在栅格地图上跑得飞快的A*，换到点云地图上可能直接卡死。这不是算法的问题，是建模的锅。

今天咱们就聊聊四种主流的环境建模方式。每种我都踩过坑，也总结了一些实战经验。希望能帮你少走弯路。

1. 栅格地图（Grid Map）—— 最经典，也最直观

栅格地图说白了就是把空间切成一个个小格子。每个格子要么是障碍物，要么是自由空间。简单粗暴，但非常有效。

构建方式：

• 设定分辨率（比如0.1m/格）
• 将传感器数据投影到栅格上
• 用概率更新每个格子的占据状态

P(occupied | z) = 1 / (1 + exp(-l))
其中 l = l0 + log(P(z|occupied)/P(z|free))

我在做扫地机器人项目时，就吃过分辨率的亏。分辨率设太高（1cm），内存直接爆了。设太低（50cm），门缝都过不去。后来我总结了个经验：分辨率取机器人宽度的1/5到1/3最稳妥。

2. 八叉树地图（OctoMap）—— 三维空间的救星

栅格地图在二维还行，一到三维就炸了。你算算，一个100m×100m×10m的空间，用0.1m分辨率，需要1亿个格子。每个格子存一个float，就是400MB。这谁顶得住？

八叉树地图就是来解决这个问题的。它用树结构存储，空白区域不展开，只对有障碍物的区域细化。内存占用能减少90%以上。

构建流程：

1. 初始化一个根节点，代表整个空间
2. 插入传感器数据，更新节点概率
3. 当节点概率不确定且需要细化时，分裂成8个子节点
4. 递归处理，直到达到最大深度

3. 点云地图（Point Cloud Map）—— 精度最高，但最重

点云地图就是直接用激光雷达或深度相机采集的3D点来建模。每个点包含(x,y,z)坐标，有时还有颜色或强度信息。

优点很明显：

• 精度高，能到毫米级
• 细节丰富，能看清物体形状
• 适合做定位和配准

缺点也很致命：

• 数据量大，一个场景动辄几百万个点
• 没有拓扑结构，不能直接用于路径搜索
• 需要降采样和滤波

// PCL代码示例
pcl::VoxelGrid filter;
filter.setInputCloud(cloud);
filter.setLeafSize(0.05f, 0.05f, 0.05f);
filter.filter(*filtered_cloud);

4. 拓扑地图（Topological Map）—— 轻量级，适合大场景

拓扑地图不关心具体的几何形状，只关心节点之间的连接关系。就像地铁线路图，你不需要知道站台的具体位置，只需要知道怎么换乘。

构建方式：

1. 提取关键位置作为节点（比如路口、拐角、门）
2. 用边表示节点之间的可达关系
3. 每条边可以附带距离、时间等代价信息

我记得有个项目是做园区巡检机器人。园区有2平方公里，用栅格地图的话，光存储就要几百MB。后来改用拓扑地图，只记录了50个关键节点和它们之间的路径，整个地图不到10KB。搜索速度也快了几个数量级。

5. 如何选择？—— 我的决策框架

说实话，没有一种地图是万能的。我一般根据这几个维度来选：

6. 知识体系总览

下面这张图是我自己整理的，把四种地图的核心逻辑串起来了。你看完应该能有个整体认识。

嗯，到这里四种地图就讲完了。其实选哪种地图，关键看你的场景和需求。没有最好的，只有最合适的。我个人的习惯是：先想清楚你要解决什么问题，再选地图。别一上来就上最复杂的，那往往是给自己挖坑。