课程导入：无人驾驶室外SLAM与路径规划的整体框架、学习目标、应用场景与行业现状

无人驾驶技术正在从封闭园区走向开放道路，从低速场景迈向高速场景，而室外SLAM（同步定位与建图）与路径规划正是支撑这一跨越的核心技术底座。室外环境的光照变化、动态障碍物、GPS信号遮挡、多传感器融合误差等问题，使得室内SLAM算法无法直接迁移应用。本课程旨在系统构建学员在室外无人驾驶场景下，从传感器选型、多源融合定位、语义地图构建，到全局与局部路径规划、运动控制闭环的完整知识体系。我们将以工程落地为导向，结合开源框架（如ORB-SLAM3、LIO-SAM、Fast-LIO2、Nav2）与真实场景案例，帮助学员掌握可复用的算法设计方法与系统调优经验。

1.1 课程整体框架：从传感器到控制闭环

本课程按照无人驾驶系统的典型软件架构，将内容划分为四大模块，每个模块之间既有数据依赖，又有逻辑递进关系。第一模块聚焦传感器原理与标定，涵盖激光雷达、IMU、GNSS/RTK、摄像头以及轮速编码器的特性、误差模型与联合标定方法。第二模块深入SLAM前端与后端，包括基于滤波（EKF）和基于图优化（Factor Graph）的两大类方法，重点讲解LIO-SAM、FAST-LIO2、ORB-SLAM3等主流开源框架的代码结构与调参策略。第三模块围绕地图表示与路径规划展开，从二维栅格地图、三维点云地图到语义地图，再到全局规划器（A*、Hybrid A*、RRT*）与局部规划器（DWA、TEB、MPC）的数学原理与工程实现。第四模块则关注系统集成与实车部署，包括多传感器时间同步、坐标系变换、性能评估指标（ATE、RPE）、以及典型场景（园区、矿区、港口）的落地案例。

1.2 学习目标：知识、能力与素养三个维度

完成本课程后，学员应达到以下目标。在知识层面，能够解释室外SLAM中多传感器融合的必要性，对比松耦合与紧耦合的优劣，描述回环检测中词袋模型与几何验证的配合机制，并推导路径规划中代价函数的设计原则。在能力层面，能够独立搭建基于ROS 2的室外无人车感知-规划仿真环境，使用bag包回放数据完成SLAM建图与定位评估，并针对特定场景调整规划器参数以提升通行效率与安全性。在素养层面，培养对传感器失效、算法退化、计算资源受限等工程风险的敏感度，形成“先安全兜底、再性能优化”的系统设计思维。

1.3 应用场景与行业现状

室外SLAM与路径规划的应用场景可划分为三大类。第一类是结构化道路场景，如城市开放道路的自动驾驶出租车（Robotaxi），其特点是车道线清晰、交通标志完善，但动态障碍物（行人、车辆）密度高，对定位精度要求达到厘米级，且需要处理高架桥下、隧道内GNSS信号丢失的退化情况。第二类是半结构化园区场景，包括港口码头、矿区、物流园区、机场等，这些区域通常有固定的作业路线，但地面纹理弱、扬尘大、大型机械移动频繁，对SLAM的鲁棒性提出挑战。第三类是非结构化野外场景，如农业植保、应急救援、边境巡逻，地形起伏大、植被遮挡多，传统轮式机器人难以通行，往往需要结合履带或足式平台，对路径规划的地形通过性分析要求极高。

从行业现状来看，2024-2025年室外无人驾驶正处于从技术验证向规模化商业运营过渡的关键期。矿山无人驾驶已实现常态化作业，单车改造成本下降至30-50万元；港口无人集卡在宁波、青岛等枢纽港口的作业效率已接近人工水平；而Robotaxi虽然在北京、武汉等地开放运营，但受限于极端天气和复杂路口，仍需要安全员远程介入。值得注意的是，纯视觉方案（如Tesla FSD）在室外场景中依赖深度学习进行深度估计，但在长尾场景下仍不如激光雷达方案稳定；而激光雷达的成本已从数万元降至数千元，使得多传感器融合方案成为国内主流选择。

1.4 常见误区与学习建议

初学者在学习室外SLAM时，常陷入几个误区。第一个误区是“重算法轻数据”，认为只要跑通开源代码就算掌握，实际上传感器标定误差、时间同步偏差、点云畸变补偿等工程细节对最终精度的影响往往大于算法本身。第二个误区是“重定位轻建图”，只关注轨迹精度而忽略地图质量，导致后续路径规划时地图中的噪点引发碰撞风险。第三个误区是“重全局轻局部”，在路径规划中只关注全局最短路径，忽视局部规划器在动态环境中的实时避障能力，造成实际行驶中频繁急停或绕行。

针对这些误区，本课程将提供以下学习建议。第一，每章实验必须记录传感器原始数据、算法中间输出和最终结果的对比曲线，培养数据敏感性。第二，在仿真环境中人为注入传感器噪声、丢帧、时延等故障，训练排障能力。第三，完成一个完整的闭环项目：从采集数据、离线建图、在线定位，到全局规划、局部避障、实车验证，体验系统集成的全过程。

1.5 案例拆解：某矿区无人运输系统的SLAM与规划方案

为帮助学员建立整体认知，这里拆解一个典型的矿区无人运输案例。某大型露天铁矿，矿区面积约5平方公里，道路为碎石路面，两侧有高约10米的岩壁，GPS信号在部分采掘区域被遮挡。车辆为载重100吨的矿用卡车，最高时速30km/h，最小转弯半径12米。项目要求实现全天候无人运输，定位精度优于20cm，障碍物检测距离大于50米。

初始现象与约束： 矿区粉尘大，激光雷达点云噪声明显；岩壁纹理稀疏，视觉特征不足；道路坡度最大8%，对车辆动力学控制有较高要求。项目初期尝试使用单线激光雷达+GPS的方案，在GPS信号良好区域定位精度达到15cm，但进入采掘坑后GPS漂移严重，定位误差超过1米，无法满足安全要求。

方案设计与关键参数： 最终采用“3D激光雷达（主）+ IMU（紧耦合）+ RTK（可用时修正）+ 轮速计（短时备份）”的融合方案。SLAM算法选用LIO-SAM，将IMU预积分因子、激光里程计因子、RTK因子和回环因子统一加入因子图优化。在路径规划层面，全局规划采用Hybrid A*算法，考虑车辆最小转弯半径生成平滑轨迹；局部规划采用TEB（Timed Elastic Band）算法，实时避让铲车、洒水车等动态障碍物。关键参数配置如下：激光雷达帧率10Hz，IMU频率200Hz，RTK更新率5Hz，因子图优化窗口20帧，局部规划器规划周期0.1秒。

实施过程与结果对比： 在矿区东侧采掘区（GPS遮挡严重）进行对比测试。纯RTK方案定位误差最大1.2米，且出现跳变；LIO-SAM融合方案在GPS信号丢失后，依靠激光-惯性紧耦合，定位误差稳定在18cm以内，满足设计要求。在路径规划方面，TEB局部规划器成功避让了12次动态障碍物，平均绕行时间8秒，未出现急停或碰撞。整个系统连续运行72小时，定位精度达标率98.7%，因传感器故障导致的停机时间累计仅15分钟。

风险与复盘： 项目中也遇到两个典型问题。一是雨后路面反光导致激光雷达部分光束折射，点云出现“飞点”，通过增加基于反射强度的滤波有效缓解。二是矿区高频振动导致IMU安装松动，引起加速度计偏置漂移，通过定期标定和增加减震支架解决。复盘经验表明，室外SLAM系统的稳定性不仅取决于算法，更依赖于传感器安装工艺、线束防护和定期标定维护。