环境表示方法：让机器人「看懂」世界的五种方式

做机器人规划这么多年，我最大的感触就是——地图选不对，规划全白费。你想想看，一个机器人要在未知环境里穿梭，它总得知道「我在哪」「周围有啥」「哪里能走」吧？这就是环境表示方法要解决的问题。

今天咱们聊五种主流的地图表示方式。每种都有它的脾气，也有它的用武之地。我按自己的理解，把它们分成了两类：度量地图和拓扑地图。前者关心「精确位置」，后者关心「连接关系」。

栅格地图，说白了就是把环境切成一个个小方格。每个格子要么是「空闲」（能走），要么是「占据」（有障碍），要么是「未知」（没探测到）。

我记得刚入行时做第一个项目，用的就是栅格地图。当时觉得这玩意儿太简单了，不就是个二维数组嘛。结果真跑起来才发现——分辨率选多大就是个头疼事。

关键参数：分辨率

我的经验：室内移动机器人，5cm分辨率是个不错的起点。室外的话，可以放宽到10-20cm。别一上来就追求1cm精度，先跑通再说。

栅格地图只告诉你「能不能走」，代价地图则告诉你「好不好走」。每个格子都有一个代价值，规划器会优先选择代价低的路径。

代价地图是怎么来的？通常是在栅格地图基础上，对障碍物做膨胀处理。离障碍物越近，代价越高。这样机器人就会自动「躲着走」，而不是贴着墙蹭过去。

我曾经遇到过一个坑：代价地图的膨胀半径设得太小，机器人总是「擦肩而过」撞到障碍物。后来改成机器人半径+安全余量，问题就解决了。

注意：代价地图的更新频率很关键。动态障碍物（比如行人）出现时，代价地图必须快速更新。我见过一些方案用滑动窗口局部代价地图，效果不错。

欧几里得符号距离场，名字听着唬人，其实原理很简单：每个格子存一个数值，表示它到最近障碍物的距离。正数表示在自由空间，负数表示在障碍物内部。

ESDF 最大的好处是——规划器可以直接用梯度信息。比如你要做轨迹优化，ESDF 能告诉你「往哪个方向走更安全」。这在无人机避障里特别常用。

我建议做运动规划的朋友，尤其是做优化-based 方法的，一定要掌握 ESDF。它比栅格地图多了一层「距离感知」，规划出来的轨迹平滑很多。

ESDF 的典型应用场景：

栅格地图在二维还行，到了三维就麻烦了。一个 100m³ 的空间，1cm 分辨率就是 10 亿个体素，内存直接爆炸。

八叉树地图（OctoMap）就是来解决这个问题的。它的核心思想是：大块空白区域用一个大节点表示，只有细节丰富的区域才细分。说白了，就是「该省的地方省，该细的地方细」。

我记得做无人机项目时，用栅格地图存三维环境，跑着跑着内存就飙到 2GB 以上。换成八叉树后，同样的环境只用了 200MB。嗯，差距就是这么明显。

实用建议：OctoMap 支持概率更新，可以处理动态障碍物。但要注意，它不适合做精确的碰撞检测，因为边界是近似表示的。

前面四种都是度量地图，关心「精确位置」。拓扑地图则完全不同——它只关心节点之间的连接关系。

想象一下地铁线路图。你不会关心每站之间的精确距离，你只关心「从 A 站到 B 站，坐几号线，换乘几次」。拓扑地图就是这种思路。

拓扑地图的优点是轻量、高效。做全局路径规划时，先在拓扑图上找出一条「粗路径」，再用度量地图做局部优化。这种分层思路，我在很多工业项目里都用过。

拓扑地图 vs 度量地图：

说实话，没有哪种地图是「万能」的。我个人的习惯是：

你想想看，如果让一个扫地机器人用 ESDF 跑全屋，那计算量得有多大？反过来，让无人机用栅格地图做避障，那轨迹得多僵硬？选对工具，比用好工具更重要。

避坑指南：我曾经在一个项目里，试图用八叉树地图做精确的碰撞检测，结果发现边界误差导致机器人频繁「误报」碰撞。后来换成 ESDF 才解决。所以——八叉树适合「大概知道有没有障碍」，ESDF 适合「精确知道距离障碍多远」。

好了，这五种地图就聊到这儿。每种都有它的脾气，也有它的用武之地。做项目时多试试，找到最适合你场景的那一款。

可可精品资料库