一、SLAM概述：从零开始理解这项技术
大家好，我是这门课的主讲人。做了这么多年SLAM，每次有人问我「你到底是干什么的」，我总得想个通俗的说法。
SLAM，全称是 Simultaneous Localization and Mapping，中文叫「同步定位与地图构建」。说白了就是：让一台机器在未知环境中，一边走路一边画地图，同时还得知道自己在地图上的哪个位置。
你想想看，这其实是个「先有鸡还是先有蛋」的问题——要知道自己在哪里，得先有地图；要建地图，又得先知道自己的位置。SLAM 就是同时解决这两个问题。
核心要点：SLAM 不是单一算法，而是一套「状态估计」框架。它融合了传感器数据、运动模型、观测模型，最终输出机器人的轨迹和地图。
1.1 为什么需要激光雷达？
我刚开始接触SLAM时用的是视觉方案，后来转到激光雷达，才真正体会到什么叫「稳」。激光雷达直接输出三维点云，精度高、不受光照影响，特别适合室内外建图。
当然，它也有缺点——贵。不过这几年国产激光雷达价格下来了，应用也越来越广。
1.2 激光雷达SLAM的典型应用场景
我挑三个最常见的场景聊聊，都是我在项目中实际接触过的。
扫地机器人
这是大家最熟悉的。你家那台扫地机，其实每天都在跑SLAM。它用激光雷达扫描房间，建出2D栅格地图，然后规划路径。我拆过好几台扫地机，发现它们用的算法其实挺精简的——毕竟算力有限，内存也小。
关键点：扫地机器人通常用2D激光雷达，建的是平面地图。遇到地毯、门槛这些，就得靠其他传感器辅助了。
自动驾驶
这个领域我参与过一些测试项目。自动驾驶对SLAM的要求极高——你要在高速行驶中实时定位，误差不能超过10厘米。激光雷达在这里扮演「眼睛」的角色，配合IMU、GPS、轮速计，做多传感器融合。
注意：自动驾驶场景下，动态物体（行人、车辆）是SLAM最大的挑战。我见过不少算法在静态场景跑得很好，一上路就崩了。
AGV（自动导引车）
工厂里的AGV，说白了就是「搬货机器人」。它们通常在固定路线上跑，但环境变化很大——货架位置会变、地面会有油污。我帮一家物流公司调试过AGV，发现最头疼的不是算法本身，而是「回环检测」——车跑了几圈后，怎么确认自己回到了原点？
嗯，这里有个小技巧：在AGV路径的关键位置贴反光条，能大幅提升回环检测的稳定性。
1.3 课程整体大纲
这门课一共30章，我按「从零到一」的思路来设计。你不需要有SLAM基础，但最好懂点C++和ROS。
| 模块 | 章节 | 核心内容 |
|---|---|---|
| 基础篇 | 第1-5章 | SLAM原理、坐标系、传感器、ROS入门 |
| 核心算法 | 第6-15章 | 前端匹配、后端优化、回环检测、图优化 |
| 实战篇 | 第16-25章 | 基于Cartographer、GMapping、LOAM的建图与定位 |
| 进阶篇 | 第26-30章 | 多传感器融合、3D SLAM、工程部署 |
我个人建议你按顺序学，尤其是前10章，基础打牢了后面才不慌。我见过太多人一上来就调Cartographer参数，结果连「为什么建图会飘」都搞不清楚。
1.4 本章知识体系
下面这张图是我自己画的，帮你快速建立SLAM的整体认知。
我的建议：学SLAM别急着跑代码。先把这张图里的每个模块搞明白「是什么」和「为什么」，再动手。我当年就是吃了这个亏，调了三个月参数，最后发现连坐标系都没搞对。
1.5 避坑指南
最后分享几个我踩过的坑，希望能帮你省点时间。
- 坐标系混乱：我曾经在同一个项目里混用了ROS的「map」「odom」「base_link」坐标系，结果定位结果直接飞到了隔壁城市。记住：每个坐标系都有明确的定义，别偷懒。
- 传感器时间戳不同步：激光雷达和IMU的时间戳如果差了50毫秒，建图就会飘。我后来养成了习惯——每次跑数据前先检查时间戳对齐情况。
- 回环检测阈值设得太松：回环检测太敏感会导致误匹配，太保守又检测不到。我一般先用保守参数跑一遍，再根据结果微调。
好了，第一章就到这里。记住：SLAM不是魔法，它是一套严谨的数学框架。后面我们会一步步拆解它。