2. SLAM基础回顾
在进入“语义标签与地图标注联动”这一核心主题之前，我们必须先夯实SLAM（Simultaneous Localization and Mapping，同步定位与建图）的基础。SLAM解决的是“机器人在哪里”和“周围环境长什么样”这两个互为前提的问题——定位需要地图，建图需要位姿，二者必须同时求解。在ROS2生态中，Cartographer和SLAM Toolbox是两款主流的2D SLAM工具，它们各自代表了不同的算法流派与工程权衡。本章将系统梳理SLAM的基本原理、ROS2中的工具选型、地图的数据表示方式以及关键术语，为后续语义标签的叠加与联动建立共同的语言基础。
2.1 SLAM核心原理：从概率估计到图优化
SLAM的本质是一个状态估计问题。机器人携带传感器在未知环境中运动，我们需要同时估计两个未知量：机器人自身的轨迹（位姿序列）和环境的地图。在数学上，这可以建模为最大后验概率（MAP）估计问题：给定传感器观测数据 \( z_{1:t} \) 和控制输入 \( u_{1:t} \)，求解最可能的机器人位姿 \( x_{1:t} \) 和地图 \( m \)。
现代SLAM系统普遍采用图优化（Graph-based SLAM）框架，将问题转化为一个稀疏图的优化问题。图中节点表示机器人的位姿或 landmark，边表示位姿之间的约束（来自里程计、扫描匹配或回环检测）。优化目标是调整所有节点的位姿，使所有约束的误差最小化。这种方法的优势在于：回环检测可以一次性修正历史轨迹的累积漂移，而不是像滤波方法（如EKF-SLAM）那样只能局部修正。
在ROS2中，SLAM工具链通常分为前端（Front-end）和后端（Back-end）两部分。前端负责处理传感器数据，进行帧间配准（scan-to-scan或scan-to-map），输出相对位姿约束；后端则维护位姿图，执行图优化和回环检测。以Cartographer为例，其前端使用Ceres Solver进行非线性最小二乘优化，后端则采用稀疏位姿图（SPA）方法，通过分支定界（Branch and Bound）算法加速回环搜索。
slam_toolbox和cartographer都遵循这一架构，但实现细节和参数调优差异显著。
2.2 地图表示：栅格地图与点云地图
地图是SLAM的输出，也是后续语义标注的载体。在ROS2中，最常用的两种地图表示是栅格地图（Occupancy Grid Map）和点云地图（Point Cloud Map）。它们各有优劣，适用于不同的任务场景。
| 维度 | 栅格地图 (OccupancyGrid) | 点云地图 (PointCloud2) |
|---|---|---|
| 数据结构 | 二维数组，每个格子存储占据概率（0-100） | 三维点集，每个点包含(x,y,z)坐标及可选属性（强度、RGB） |
| ROS2消息类型 | nav_msgs/msg/OccupancyGrid |
sensor_msgs/msg/PointCloud2 |
| 空间维度 | 2D（平面） | 2D或3D |
| 分辨率 | 固定分辨率（如0.05m/像素） | 点密度可变，无固定分辨率 |
| 内存占用 | 低（与地图面积成正比） | 高（与点数成正比） |
| 适用场景 | 2D导航、路径规划、成本地图 | 3D感知、语义分割、可视化、碰撞检测 |
| 语义标注难度 | 容易（每个格子可附加标签） | 中等（需要对点云进行分割/聚类） |
栅格地图是ROS2导航栈（Nav2）的标准输入。它通过贝叶斯更新维护每个格子的占据概率，值域为[0,100]，其中0表示完全空闲，100表示完全占据，-1表示未知。栅格地图的优点是计算高效、便于路径规划（如A*、Dijkstra算法直接作用于栅格），缺点是丢失了高度信息和物体细节。
点云地图则保留了环境的几何细节，适合进行语义分割（如识别墙壁、地面、物体）。在ROS2中，点云通常由激光雷达或深度相机生成，通过sensor_msgs/msg/PointCloud2消息发布。点云地图的缺点是数据量大、处理复杂，且需要额外的配准算法（如ICP）来拼接多帧点云。
2.3 ROS2中的SLAM工具：Cartographer与SLAM Toolbox
ROS2生态中，Cartographer和SLAM Toolbox是两款最常用的2D SLAM工具。它们都支持实时建图与定位，但在设计哲学、算法细节和适用场景上存在显著差异。
2.3.1 Cartographer：多传感器融合的图优化SLAM
Cartographer由Google开发，支持2D和3D建图。其核心优势在于多传感器融合——可以同时接收激光雷达、IMU、里程计甚至GPS数据，通过图优化框架实现高精度建图。Cartographer引入了子图（Submap）概念：将连续帧激光数据配准到局部子图中，当子图不再变化时，将其加入全局位姿图进行回环检测。
在ROS2中使用Cartographer，需要配置三个文件：lua脚本（算法参数）、urdf（机器人模型）和launch文件。关键参数包括：map_frame（地图坐标系）、tracking_frame（跟踪坐标系）、num_range_data（子图包含的扫描帧数）等。Cartographer的调参较为复杂，但一旦调好，精度和鲁棒性都非常出色。
# Cartographer 2D 建图 launch 示例（ROS2）
ros2 launch cartographer_ros cartographer.launch.py \
configuration_basename:="backpack_2d.lua"2.3.2 SLAM Toolbox：轻量高效的异步SLAM
SLAM Toolbox是Steve Macenski开发的轻量级SLAM工具，专为ROS2设计。它基于Karto SLAM算法，采用异步处理架构——前端扫描匹配与后端图优化在不同线程中运行，避免阻塞。SLAM Toolbox的优势在于：配置简单、资源占用低、支持串行化（Serialization）——可以将建好的地图和位姿图保存为文件，下次启动时直接加载，无需重新建图。
SLAM Toolbox的核心参数包括：scan_topic（激光话题）、map_update_interval（地图更新频率）、minimum_travel_distance（触发建图的最小移动距离）等。它还提供了生命周期节点（Lifecycle Node）支持，可以动态启停建图过程。
# SLAM Toolbox 建图 launch 示例（ROS2）
ros2 launch slam_toolbox online_async_launch.py \
slam_params_file:=./config/mapper_params_online_async.yaml| 对比维度 | Cartographer | SLAM Toolbox |
|---|---|---|
| 算法基础 | 图优化 + 子图 + 分支定界回环 | Karto SLAM（图优化） |
| 传感器支持 | 激光 + IMU + 里程计 + GPS | 激光 + 里程计（可选IMU） |
| 3D支持 | 支持（Cartographer 3D） | 仅2D |
| 配置复杂度 | 高（Lua脚本 + URDF） | 低（YAML文件） |
| 回环检测 | 实时、全局搜索 | 基于栅格搜索 |
| 地图保存/加载 | 通过map_saver保存PGM/YAML |
支持串行化（.posegraph / .data） |
| 典型场景 | 复杂环境、多传感器融合、3D建图 | 简单环境、资源受限、快速部署 |
2.4 常用术语与坐标系约定
在SLAM和语义标注中，术语和坐标系的统一至关重要。以下是ROS2 SLAM中必须掌握的术语：
- 位姿（Pose）：机器人在空间中的位置和朝向，通常表示为 (x, y, θ) 或 (x, y, z, qx, qy, qz, qw)。
- TF树（Transform Tree）：ROS2中维护坐标系变换关系的树状结构，SLAM节点负责发布
map → odom → base_link的变换。 - 扫描匹配（Scan Matching）：将当前激光帧与已有地图或上一帧进行配准，得到相对位姿变化。
- 回环检测（Loop Closure）：识别机器人回到曾经访问过的位置，并修正累积漂移。
- 子图（Submap）：Cartographer中的局部地图单元，由若干连续激光帧构成。
- 占据概率（Occupancy Probability）：栅格地图中每个格子被占据的概率值。
- 成本地图（Costmap）：在栅格地图基础上叠加膨胀层、障碍层等，用于导航规划。
坐标系约定方面，ROS2标准规定：map坐标系是全局固定坐标系，odom坐标系是里程计局部坐标系，base_link是机器人本体坐标系。SLAM节点负责维护 map → odom 的变换，而 odom → base_link 由里程计提供。语义标注时，必须确保标签数据在正确的坐标系下发布，通常使用 map 坐标系作为全局语义地图的参考系。
tf2 库进行坐标变换，不要假设坐标系固定不变。特别是在机器人运动过程中，base_link 相对于 map 的变换是持续更新的。
2.5 实战案例：使用SLAM Toolbox建图并导出栅格地图
下面通过一个完整的案例，演示如何在ROS2中使用SLAM Toolbox完成建图，并导出栅格地图供后续语义标注使用。假设我们有一个差速驱动机器人，搭载2D激光雷达，运行在室内走廊环境。
场景与约束：机器人需要构建一张50m × 30m的走廊地图，激光雷达扫描频率10Hz，最大测距30m。要求地图分辨率0.05m/像素，建图完成后保存地图文件。
操作步骤：
- 启动机器人驱动和激光雷达：确保
/scan话题正常发布 LaserScan 消息。 - 配置SLAM Toolbox参数文件（
mapper_params_online_async.yaml）：
slam_toolbox:
ros__parameters:
use_sim_time: false
scan_topic: /scan
mode: mapping
map_frame: map
odom_frame: odom
base_frame: base_link
resolution: 0.05
max_laser_range: 30.0
minimum_time_interval: 0.5
minimum_travel_distance: 0.2
map_update_interval: 5.0
loop_match_minimum_chain_size: 10
loop_match_maximum_variance_coarse: 3.0
loop_match_minimum_response_coarse: 0.35
loop_match_minimum_response_fine: 0.45- 启动SLAM Toolbox节点：
ros2 launch slam_toolbox online_async_launch.py \
slam_params_file:=./config/mapper_params_online_async.yaml- 手动遥控机器人遍历环境：使用
teleop_twist_keyboard控制机器人缓慢移动，确保激光雷达覆盖所有区域，重点在走廊交叉口和转角处减速，便于回环检测。 - 观察建图效果：在RViz2中添加
Map显示，订阅/map话题，实时查看栅格地图构建情况。若发现地图漂移或错位，可调整minimum_travel_distance和loop_match_minimum_response_fine参数。 - 保存地图：使用
map_saver工具保存地图为PGM和YAML文件：
ros2 run nav2_map_server map_saver_cli -f corridor_map \
--ros-args -p map_topic:=/map结果与复盘：建图完成后，我们得到了 corridor_map.pgm 和 corridor_map.yaml 文件。PGM文件是灰度图像，白色表示空闲，黑色表示占据，灰色表示未知。YAML文件包含地图元数据（分辨率、原点、坐标系等）。在后续语义标注中，我们可以加载这张栅格地图作为底图，通过图像坐标到地图坐标的变换，将语义标签（如“门”、“消火栓”、“安全出口”）叠加到对应位置。
风险与代价：建图过程中，如果机器人移动过快或激光雷达数据丢帧，可能导致地图出现“重影”或“断裂”。此时需要重新建图，或者使用Cartographer的多传感器融合来增强鲁棒性。此外，SLAM Toolbox的串行化功能可以保存位姿图，但需要额外配置 serialization_directory 参数。
2.6 常见误区与总结复盘
在SLAM工具的使用和地图表示的理解上，初学者常犯以下错误：
- 误区一：混淆栅格地图与点云地图的用途。栅格地图用于导航，点云地图用于感知和语义。不要试图在栅格地图上做精细的物体识别，也不要用点云地图直接做路径规划。
- 误区二：忽略TF树的重要性。SLAM建图失败，80%以上是TF配置错误。务必检查
map → odom → base_link → laser的变换是否完整且频率正常。 - 误区三：盲目追求高分辨率。栅格地图分辨率越高，内存占用和计算量越大。0.05m分辨率通常足够，过高的分辨率反而会导致地图噪声增大。
- 误区四：忽视回环检测的触发条件。回环检测需要机器人回到已探索区域，且视角相近。如果建图过程中机器人没有形成闭环，地图漂移将无法修正。
- 误区五：认为SLAM工具可以“开箱即用”。无论是Cartographer还是SLAM Toolbox，都需要根据机器人平台、传感器特性和环境特点进行参数调优。