一、地图基础概念：地图类型、坐标系与精度
大家好，我是你们的SLAM讲师。今天咱们聊聊地图基础概念。说实话，很多新手一上来就急着跑算法，结果地图建出来歪歪扭扭，定位也飘得厉害。根本原因是什么？就是地图基础没打牢。
我个人习惯，做任何项目前，先把地图类型、坐标系、分辨率这三件事搞清楚。磨刀不误砍柴工嘛。
1.1 地图类型：三种主流地图
SLAM里常用的地图，说白了就三种：栅格地图、拓扑地图、特征地图。每种地图都有自己的脾气，选错了，后面全是坑。
1.1.1 栅格地图（Occupancy Grid Map）
栅格地图是最直观的。把空间切成一个个小格子，每个格子存一个概率值——0表示空闲，1表示占据，0.5表示未知。
我遇到过一个项目，在仓库里做AGV导航。一开始用的栅格分辨率是5cm，结果小车老是撞到货架腿。后来改成2cm，问题就解决了。但代价是什么？内存暴涨了6倍多。
核心要点：
- 适合导航、避障、路径规划
- 存储量大，分辨率越高内存越大
- 更新简单，直接改格子概率值就行
1.1.2 拓扑地图（Topological Map）
拓扑地图不关心具体几何形状，只关心「节点」和「边」。节点代表关键位置，边代表连通关系。你想想看，地铁线路图就是典型的拓扑地图。
我曾经在一个大型商场做机器人导航，栅格地图建出来几百兆，根本跑不动。后来改用拓扑地图，只记录电梯口、店铺门口这些关键节点，内存直接降到几KB。但缺点也很明显——没法做精细避障。
我的建议：大场景用拓扑地图做全局规划，小场景用栅格地图做局部规划。两者结合，效果最好。
1.1.3 特征地图（Feature Map）
特征地图只存「特征点」，比如墙角、二维码、路标。每个特征点有坐标和描述子。这种地图最轻量，但依赖特征提取的质量。
嗯，这里要注意：特征地图对光照变化很敏感。我在一个地下车库做过测试，白天和晚上的特征点匹配率不到30%。后来加了反光条，才稳定下来。
| 地图类型 | 存储量 | 适用场景 | 典型分辨率 |
|---|---|---|---|
| 栅格地图 | 大（MB~GB） | 室内导航、避障 | 2cm~10cm |
| 拓扑地图 | 小（KB~MB） | 大场景、路径规划 | 节点间距1m~10m |
| 特征地图 | 极小（KB） | 视觉SLAM、AR | 特征点密度 |
1.2 坐标系与坐标变换
坐标系搞不清楚，地图建出来就是歪的。我见过太多人把机器人坐标系和世界坐标系搞混，结果定位数据全错了。
1.2.1 常用坐标系
SLAM里常用的坐标系有四个：
- 世界坐标系（World Frame）：固定不动，所有地图数据都基于它
- 机器人坐标系（Robot Frame）：跟着机器人走，原点在机器人中心
- 传感器坐标系（Sensor Frame）：激光雷达或相机自己的坐标系
- 图像坐标系（Image Frame）：像素坐标，只在视觉SLAM里用
我建议：所有传感器数据，第一步就转换到机器人坐标系。这样后面处理起来统一，不容易出错。
1.2.2 坐标变换矩阵
坐标变换说白了就是乘一个4x4的矩阵。平移加旋转，搞定。
// 一个典型的坐标变换矩阵
T = [R t]
[0 1]
// 其中R是3x3旋转矩阵，t是3x1平移向量
// 把点p从传感器坐标系转到机器人坐标系：
p_robot = T_sensor_to_robot * p_sensor避坑指南：我曾经在项目里直接用欧拉角做变换，结果遇到万向锁，机器人原地打转。后来老老实实用四元数，再也没出过问题。
1.3 地图分辨率与精度
分辨率不是越高越好。你想想看，分辨率提高一倍，内存占用变成四倍。但精度不一定能提高四倍。
1.3.1 分辨率的选择
我一般按这个经验来选：
- 室内走廊：5cm分辨率就够了
- 仓库货架：2cm分辨率，不然货架腿识别不出来
- 室外大场景：10cm~20cm，再高内存扛不住
1.3.2 精度的影响因素
地图精度不只看分辨率，还看这些：
- 传感器噪声：激光雷达的精度直接决定地图质量
- 里程计漂移：跑久了地图会变形
- 回环检测：没有回环，地图就是散的
我记得有一次做工厂项目，激光雷达精度是±3cm，地图分辨率设了1cm。结果呢？每个格子都在抖动，根本没法用。后来把分辨率降到3cm，反而稳定了。
经验公式：地图分辨率 ≈ 传感器精度 × 2。这样既不会浪费内存，也不会丢失细节。
知识体系结构图
下面这张图，是我自己总结的地图基础概念框架。你看一遍，心里就有谱了。
好了，地图基础概念就讲到这里。记住一句话：地图类型决定你怎么存，坐标系决定你怎么算，分辨率决定你存多细。这三样搞明白了，后面建图定位就顺了。
本章小结：
- 三种地图各有优劣，根据场景选型
- 坐标系必须统一，推荐先转到机器人坐标系
- 分辨率不是越高越好，匹配传感器精度才是关键
可可精品资料库