第三章 高精地图采集技术：激光雷达SLAM建图、视觉SLAM建图、GPS+IMU组合导航、多传感器融合建图
做高精地图这么多年，我最大的感触就是——采集技术是地图的根基。你算法再牛，数据采集阶段出了岔子，后面全白搭。今天咱们就把四种主流采集技术掰开揉碎了聊。
3.1 激光雷达SLAM建图：精度天花板
激光SLAM，说白了就是用激光点云来算位姿、建地图。我最早接触这个是在2016年，那时候Velodyne的64线雷达还贵得离谱，但效果确实惊艳。
核心原理
激光雷达每帧扫出几万到几十万个点。我们通过帧间匹配（比如ICP算法）来估计相对位姿，然后把这些点云拼起来。嗯，这里要注意——纯激光SLAM容易在长直走廊、空旷场景下飘。
关键公式（简化版）：
T = argmin Σ ||R·p_i + t - q_j||²其中T是位姿变换，p_i是当前帧点，q_j是地图中最近邻点。说白了就是找最优的旋转R和平移t。
我在项目中踩过的坑
我曾经在一条两边都是白墙的隧道里跑激光SLAM，结果里程计疯狂漂移。后来加了IMU预积分才稳住。所以我的建议是——激光SLAM一定要配IMU，哪怕只是个低成本的MPU6050。
实用技巧：建图时尽量保持匀速运动，急转弯和急加速会让点云畸变。我习惯在采集前先让雷达预热5分钟，等激光器稳定了再开始。
3.2 视觉SLAM建图：低成本方案
视觉SLAM用相机代替激光雷达。成本低、信息丰富，但受光照影响大。你想想看，一个单目相机才几百块，能做的事却不少。
主流方案对比
| 方案 | 传感器 | 优点 | 缺点 |
|---|---|---|---|
| ORB-SLAM3 | 单目/双目/RGB-D | 成熟稳定，支持重定位 | 特征点提取耗时 |
| VINS-Mono | 单目+IMU | 紧耦合，精度高 | 初始化较慢 |
| DSO | 单目 | 直接法，稠密建图 | 计算量大 |
我个人习惯用VINS-Mono做高精地图的视觉部分。为什么呢？因为它把IMU和视觉做了紧耦合，在快速运动时也不容易丢。
注意：视觉SLAM在夜间、逆光、纹理缺失场景下基本歇菜。我建议至少保留一个激光雷达作为兜底传感器。
3.3 GPS+IMU组合导航：全局定位的基石
这个组合是自动驾驶的标配。GPS提供绝对位置，IMU提供高频相对运动。两者互补，缺一不可。
松耦合 vs 紧耦合
松耦合就是GPS算完位置再和IMU融合。紧耦合则是直接用原始观测值（伪距、载波相位）和IMU一起解算。我做过对比，紧耦合在信号遮挡场景下能多撑3-5秒。
卡尔曼滤波状态量：
X = [p, v, q, b_a, b_g]p是位置，v是速度，q是姿态四元数，b_a和b_g是加速度计和陀螺仪的零偏。一共16维状态量。
我记得有一次在立交桥下做测试，GPS信号被桥体遮挡，松耦合方案直接跳变了几十米。换成紧耦合后，靠着IMU的预测，位置误差控制在2米以内。这就是差距。
3.4 多传感器融合建图：终极方案
前面三种各有短板。激光SLAM怕空旷，视觉SLAM怕光照差，GPS+IMU怕遮挡。那怎么办？全都要。
融合架构
我常用的方案是：激光雷达做主传感器，视觉做语义辅助，GPS+IMU做全局约束。具体流程如下：
- 激光雷达做帧间匹配，输出高频位姿
- 视觉提取车道线、路标等语义特征
- GPS+IMU提供全局位置约束
- 因子图优化，把所有约束揉在一起
我的经验：融合时要注意各传感器的坐标系对齐。我见过太多团队因为外参标定不准，导致融合效果还不如单传感器。建议每季度做一次外参标定。
知识体系总览
下面这张图展示了四种采集技术的关系和适用场景：
3.5 实战建议：如何选择采集方案
没有最好的方案，只有最合适的。我根据项目经验总结了几条原则：
- 高速公路场景：激光SLAM + GPS+IMU就够了，视觉做辅助验证
- 城市道路：必须上多传感器融合，尤其是路口、立交桥区域
- 地下停车场：激光SLAM为主，视觉做语义标注，GPS基本没用
- 园区/封闭道路：视觉SLAM + 低成本IMU就能搞定
避坑指南：我曾经在一个项目里过度依赖GPS，结果在隧道口附近地图直接崩了。从那以后，我坚持所有方案都要有无GPS条件下的降级能力。
好了，这四种技术就聊到这儿。每种都有它的脾气，摸透了就能用好。记住一点——数据采集阶段多花点心思，后面建图、更新、定位都会省心很多。