环境建模基础：栅格地图、拓扑地图、几何地图、语义地图

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，一个机器人或者一辆自动驾驶车，它怎么知道自己在哪？怎么知道该往哪走？说白了，全靠地图。但地图不是一张简单的照片，它是对环境的抽象和建模。不同的任务，需要不同层次的地图。

我个人习惯把环境建模分成四个层次：栅格地图、拓扑地图、几何地图、语义地图。它们各有各的脾气，也各有各的用武之地。

核心观点： 没有最好的地图，只有最合适的地图。选地图就像选工具，锤子不能当螺丝刀用。

1. 栅格地图：最朴素的表达

栅格地图，说白了就是把环境切成一个个小格子。每个格子要么是障碍物，要么是自由空间。就像像素画一样，简单粗暴。

我记得刚入行时做扫地机器人，用的就是栅格地图。那时候觉得这玩意儿太笨了，后来才发现——笨有笨的好处。

优点：构建简单，更新方便。激光雷达扫一圈，直接往格子里填数据就行。
缺点：分辨率高了内存爆炸，分辨率低了啥也看不清。
典型应用：A* 路径规划、DWA 局部避障。

我的经验： 做室内机器人导航，栅格分辨率设 5cm 比较合适。太细了（1cm）内存扛不住，太粗了（20cm）门都穿不过去。

// 伪代码：栅格地图的简单表示
struct GridMap {
    int width;          // 宽度（格子数）
    int height;         // 高度（格子数）
    float resolution;   // 分辨率（米/格）
    int* data;          // 0=空闲, 100=障碍物, -1=未知
};

// 检查某个格子是否可通行
bool isFree(GridMap* map, int x, int y) {
    if (x < 0 || x >= map->width || y < 0 || y >= map->height)
        return false;  // 越界视为障碍
    return map->data[y * map->width + x] == 0;
}

2. 拓扑地图：轻量级的导航利器

拓扑地图不关心具体坐标，只关心谁和谁相连。就像地铁线路图，你不需要知道站台的具体经纬度，只需要知道坐几号线、在哪换乘。

我做过一个仓储机器人的项目，仓库面积很大，如果用栅格地图，内存根本撑不住。后来改用拓扑地图，把货架之间的通道抽象成节点和边，规划速度直接快了10倍。

优点：存储量极小，规划速度快。
缺点：缺乏几何细节，无法处理精细避障。
典型应用：大规模环境下的全局路径规划、多楼层导航。

避坑指南： 我曾经在一个动态环境里只用拓扑地图，结果货架被移动后，拓扑关系全乱了。后来我学乖了——拓扑地图必须配合实时感知，不能一劳永逸。

// 拓扑地图的图结构
struct TopoNode {
    int id;
    char* name;         // 例如 "A区货架3"
    float x, y;         // 粗略坐标（可选）
    int neighbor_count;
    int* neighbor_ids;  // 相邻节点ID列表
};

struct TopoMap {
    int node_count;
    TopoNode* nodes;
};

3. 几何地图：精确到厘米的建模

几何地图，就是环境的三维几何模型。它用点、线、面来描述世界。比如墙壁的位置、柱子的形状、地面的坡度。

做自动驾驶高精地图时，几何地图是标配。车道线的曲率、路沿的高度、交叉口的形状——这些信息必须精确到厘米级。

优点：精度高，支持复杂的运动规划。
缺点：构建成本高，计算量大。
典型应用：自动驾驶的高精地图、机械臂的抓取规划。

关键点： 几何地图通常用点云或 三角网格 表示。点云数据量大但处理简单，三角网格更紧凑但构建复杂。

// 几何地图中的一条车道线（多项式曲线表示）
struct LaneLine {
    float start_x, start_y;   // 起点
    float end_x, end_y;       // 终点
    float a, b, c;            // 曲线参数 y = a*x^2 + b*x + c
    float width;              // 车道宽度
};

4. 语义地图：让机器理解环境

语义地图，是最高级的地图形式。它不光告诉机器人「这里有障碍物」，还告诉它「这是一张桌子，上面可以放东西」。

说白了，语义地图就是给环境中的每个物体贴上标签。比如：这是人行道、这是红绿灯、这是停车位。

我记得做园区无人车时，一开始只用几何地图，结果车在路口总是犹豫——它知道前面有个东西，但不知道那是行人还是垃圾桶。后来加上语义信息，车就能判断「哦，行人是动态的，要避让；垃圾桶是静态的，绕过去就行」。

优点：支持高层决策，人机交互更自然。
缺点：依赖强大的感知和识别算法。
典型应用：自动驾驶的行为预测、服务机器人的任务规划。

我的建议： 语义地图不要做得太细。你不需要给每块地砖都打标签，只标注对决策有意义的物体就行。否则感知系统会累死，规划系统也会被冗余信息淹没。

// 语义地图中的一个物体
struct SemanticObject {
    int id;
    char* category;     // "car", "pedestrian", "traffic_light"
    float x, y, z;      // 位置
    float width, height, depth;  // 尺寸
    int is_dynamic;     // 是否动态物体
    float confidence;   // 识别置信度
};

四种地图的对比与选择

你可能会问：那我到底该用哪种地图？

我的回答是：看任务。

地图类型	精度	存储量	构建难度	适用场景
栅格地图	中	大	低	室内导航、局部避障
拓扑地图	低	小	中	大规模路径规划
几何地图	高	大	高	自动驾驶、机械臂
语义地图	中	中	高	智能决策、人机交互

实际项目中，我经常混合使用多种地图。比如：全局规划用拓扑地图，局部避障用栅格地图，精细操作用几何地图，高层决策用语义地图。各取所长，才是王道。

一句话总结： 栅格地图让你「走得通」，拓扑地图让你「走得快」，几何地图让你「走得准」，语义地图让你「走得聪明」。

嗯，环境建模这块，说白了就是给机器人画一张它能看懂的地图。画得好不好，直接决定了后面路径规划、轨迹规划的成败。下次你写规划算法之前，先问问自己：我的地图选对了吗？

📚 课程目录

环境建模基础：栅格地图、拓扑地图、几何地图、语义地图

1. 栅格地图：最朴素的表达

2. 拓扑地图：轻量级的导航利器

3. 几何地图：精确到厘米的建模

4. 语义地图：让机器理解环境

四种地图的对比与选择