一、课程导论：什么是激光雷达SLAM？为什么需要语义信息？课程整体架构与学习路径
1.1 从“我在哪”到“我理解了什么”
大家好，欢迎来到这门课。
先问个问题：你开车进地下车库，手机信号没了，GPS罢工了。这时候，车子怎么知道自己在哪？
答案就是SLAM——Simultaneous Localization and Mapping，同时定位与地图构建。说白了，就是让机器人一边走，一边给自己画地图，同时在地图上找到自己的位置。
激光雷达SLAM，就是用激光雷达来做这件事。激光雷达每秒发射几十万甚至上百万个激光点，测量周围物体的距离。这些点云数据，就是机器人的“眼睛”。
我个人习惯把SLAM分成三个核心问题：
- 前端里程计：两帧点云之间，机器人动了多少？
- 后端优化：把历史所有位姿和地图点放在一起，做全局的优化。
- 回环检测：机器人绕了一圈，回到之前来过的地方，怎么识别出来？
嗯，这里要注意。传统的激光SLAM，比如经典的GMapping、Hector SLAM、Cartographer，它们解决的是“几何问题”。它们知道墙在哪、柱子在哪，但不知道“这是一扇门”、“那是一张桌子”。
我在项目中遇到过这样一个场景：一个扫地机器人在客厅里，它知道前方有障碍物，但它不知道那是沙发腿。结果它绕了半天，其实只需要从沙发底下穿过去就行。这就是纯几何SLAM的局限——它没有语义信息。
1.2 为什么需要语义信息？
你想想看，人类开车的时候，我们不只是看距离。我们看到“红灯”就知道要停，看到“人行横道”就知道要减速，看到“停车位”就知道可以停进去。
语义信息，就是给地图里的每个点、每个物体贴上“标签”。
核心观点：语义SLAM = 几何SLAM + 物体识别 + 场景理解
具体来说，语义信息能带来三个好处：
- 更鲁棒的定位：比如，你识别出“这是一面墙”，那么即使这面墙被部分遮挡，你也能根据语义约束来估计位姿。
- 更智能的导航：机器人知道“门”是可以打开的，“楼梯”是不能走的，“电梯”是可以等的。
- 更持久的地图：纯几何地图里，如果家具移动了，地图就失效了。但语义地图里，你知道“桌子”移动了，但“墙壁”没动，可以动态更新。
我曾经做过一个仓储机器人的项目。仓库里货架经常变动，纯几何SLAM每次都要重新建图。后来我们加入了语义信息，识别出货架、通道、安全区域。即使货架位置变了，机器人也能根据语义约束快速重定位。嗯，这个坑我踩过，所以特别想分享给大家。
1.3 课程整体架构
这门课的设计思路，是从“能用”到“好用”，再到“智能”。
我把它分成四个阶段：
| 阶段 | 内容 | 目标 |
|---|---|---|
| 第一阶段 | 激光SLAM基础（前端、后端、回环） | 掌握传统几何SLAM的完整流程 |
| 第二阶段 | 语义分割与目标检测（PointNet++、RangeNet等） | 学会从点云中提取语义标签 |
| 第三阶段 | 语义SLAM融合（语义约束、动态物体处理） | 把语义信息嵌入到SLAM框架中 |
| 第四阶段 | 语义地图构建与定位应用 | 构建可交互、可更新的语义地图 |
说白了，第一阶段是“地基”，第二阶段是“砖瓦”，第三阶段是“水泥”，第四阶段是“装修”。
下面这张图，是我自己画的课程知识体系框架，你可以看到各个模块之间的关系：
1.4 学习路径与建议
这门课适合有一定ROS和C++基础的同学。如果你还没接触过激光雷达，也别慌，我会从最基础的点云数据结构讲起。
我个人建议的学习路径是这样的：
- 先动手，后理论：每章都有配套的代码示例。我建议你先跑通代码，再回头理解公式。这样更有成就感。
- 准备一个数据集：KITTI数据集或者自己录制的bag文件都行。真实数据比仿真数据更能暴露问题。
- 多问“为什么”：比如，为什么ICP算法容易陷入局部最优？为什么语义分割的精度会影响SLAM的鲁棒性？
小技巧：刚开始做语义SLAM时，别追求完美。先用一个简单的语义分割模型（比如PointNet），跑通整个流程。之后再换更复杂的模型。我曾经一上来就想用RangeNet++，结果调参调了一周，连数据预处理都没搞定。后来老老实实从PointNet开始，反而进展更快。
注意：语义SLAM不是“语义+SLAM”的简单拼接。语义信息的引入会增加计算量，尤其是点云分割模型，在嵌入式平台上可能跑不到实时。你需要考虑模型轻量化、推理加速等问题。这部分我们会在第三阶段详细讨论。
好了，导论就到这里。接下来我们会正式进入激光SLAM的基础部分。记住，这门课的目标不是让你背公式，而是让你真正能动手搭建一个语义SLAM系统。
咱们下一章见。