第三章 地图表示方法：栅格地图、特征地图、拓扑地图、语义地图

做雷达SLAM这些年，我一直在琢磨一个问题：地图到底该怎么表示？

你想想看，毫米波雷达扫出来的是一堆点云，但机器人或者自动驾驶车辆需要的，是一个能用来定位、导航、决策的环境模型。这中间差了十万八千里。说白了，地图表示就是搭一座桥——把传感器数据转化成机器能理解的空间语言。

我个人习惯把地图表示方法分成四类：栅格地图、特征地图、拓扑地图、语义地图。它们各有各的脾气，也各有各的用武之地。今天咱们就一个一个聊透。

3.1 栅格地图（Occupancy Grid Map）

栅格地图是最直观的一种。把空间划分成一个个小格子，每个格子存一个概率值——表示这个格子被占用的可能性。

我在做毫米波雷达停车场建图时，就用的栅格地图。雷达打到墙上、柱子上，回波强，我就把对应格子的占用概率调高；打到空旷区域，回波弱，概率就调低。简单粗暴，但有效。

栅格地图的更新公式其实不复杂：

// 对数几率形式的贝叶斯更新
l_t(i,j) = l_{t-1}(i,j) + log( p(m_ij | z_t) / (1 - p(m_ij | z_t)) ) - l_0

// 其中 l_0 是先验对数几率
// p(m_ij | z_t) 是逆传感器模型

嗯，这里要注意。毫米波雷达的逆传感器模型和激光雷达不太一样。激光雷达的波束很窄，基本打到哪就是哪。但毫米波雷达有旁瓣、有多径反射，一个测量值可能对应多个格子。我踩过这个坑——一开始直接套用激光雷达的模型，结果建出来的图全是鬼影。

栅格地图的优点很明显：实现简单，能表达任意形状的环境，适合做路径规划。缺点也突出：分辨率高了内存爆炸，低了细节丢失。我一般用0.2米到0.5米的格子大小，具体看场景。

3.2 特征地图（Feature Map）

特征地图就不一样了。它不存格子，而是提取环境中的几何特征——点、线、面、角点、边缘等等。

我记得有一次做高速公路毫米波雷达定位，栅格地图搞了200MB，跑起来卡得要命。后来换成特征地图，只提取路沿、护栏、标志牌这些特征，地图大小压缩到5MB以内，定位精度反而更高了。

为什么会这样？因为特征地图抓住了环境的"骨架"，去掉了冗余信息。

毫米波雷达常见的特征提取方法：

• 点特征： 角点检测、局部极值点。适合用ICP做匹配。
• 线特征： 用RANSAC或霍夫变换提取直线段。路沿、墙壁边缘很适用。
• 面特征： 地面、墙面等平面结构。用PCA分析点云法向量。

特征匹配的代码框架大概长这样：

// 特征匹配伪代码
for each feature_f in current_scan:
    best_match = null
    min_distance = INF
    
    for each feature_m in map:
        descriptor_dist = compute_descriptor_distance(feature_f, feature_m)
        if descriptor_dist < threshold and descriptor_dist < min_distance:
            min_distance = descriptor_dist
            best_match = feature_m
    
    if best_match is not null:
        add_correspondence(feature_f, best_match)

特征地图的匹配速度比栅格地图快一个数量级。但有个前提——环境得有明显的几何特征。如果是在一片大草原上，或者漫天大雪的场景，特征提取就抓瞎了。

3.3 拓扑地图（Topological Map）

拓扑地图不关心精确的几何位置，它只关心"连通关系"。节点代表地点，边代表路径。

你想想看，人类认路从来不是靠精确的坐标。我们说"从A走到B，经过C路口右转"，这就是拓扑地图的思维。

我在做园区物流机器人项目时，就用了拓扑地图做全局导航。机器人不需要知道每个点的精确经纬度，只需要知道"从充电桩到仓库，经过3号路口左转"就够了。

拓扑地图的构建流程：

1. 用毫米波雷达做SLAM，先建一个栅格地图或特征地图作为底层
2. 从底层地图中提取关键节点（路口、拐角、地标）
3. 根据连通性构建节点之间的边
4. 每条边附带一些约束信息（距离、方向、传感器特征）

拓扑地图最大的优势是轻量。一个10000平米的园区，拓扑地图可能只有几十个节点，几十KB就搞定了。而且做路径规划时，直接在拓扑图上跑A*算法，效率极高。

但拓扑地图也有短板——它没法做精确定位。你只能知道"我在哪个节点附近"，但不知道"我具体在节点的哪个位置"。所以实际应用中，我通常把拓扑地图和特征地图结合起来用：拓扑地图做全局导航，特征地图做局部精确定位。

3.4 语义地图（Semantic Map）

语义地图是这几年最火的方向。它不只是存几何信息，还存"这个东西是什么"。

比如，一个栅格地图告诉你"坐标(10,5)处有障碍物"。语义地图告诉你"坐标(10,5)处有一辆白色轿车，车头朝北，正在静止等待"。信息量完全不在一个量级。

毫米波雷达做语义地图有个天然优势——多普勒信息。激光雷达只能测位置，但毫米波雷达能直接测速度。这意味着你可以区分"静止的汽车"和"运动的行人"，甚至能判断物体的运动方向。

我去年做过一个项目，用毫米波雷达做路口语义建图。雷达扫到目标后，先聚类，然后提取特征：

• RCS（雷达散射截面积）——区分大小目标
• 多普勒速度——判断动静
• 微多普勒特征——识别行人步态
• 形状轮廓——区分车辆类型

把这些信息融合起来，就能给每个目标打上语义标签：

// 语义目标结构体
struct SemanticObject {
    int id;
    float x, y;          // 位置
    float vx, vy;        // 速度
    float rcs;           // 雷达散射截面积
    std::string type;    // "car", "pedestrian", "cyclist", "unknown"
    float confidence;    // 置信度
    float yaw;           // 朝向角
};

语义地图的好处是，机器能真正"理解"环境。做决策时，不用再猜"前面那个东西是什么"，直接就知道"前面有个人，我得减速避让"。

但说实话，语义地图的构建难度也最大。需要好的目标检测算法、分类器、跟踪器，还要处理时序一致性。我建议初学者先从栅格地图入手，等把SLAM的整个pipeline跑通了，再往语义方向延伸。

3.5 四种地图对比总结

四种地图各有千秋。选哪种，取决于你的应用场景、计算资源、传感器配置。我个人觉得，做毫米波雷达SLAM，至少要掌握栅格地图和特征地图这两种。拓扑地图和语义地图，可以等基础打牢了再深入。

好了，地图表示方法就聊到这儿。下一章咱们进入实战环节——怎么用毫米波雷达数据，一步步构建出可用的地图。