4. 环境感知与建图（上）：占据栅格地图原理、Gmapping SLAM算法原理与实战

各位同学，大家好。今天我们进入一个非常核心的话题——环境感知与建图。说白了，就是让机器人知道“我在哪”以及“周围长什么样”。

我个人习惯把建图比作“给机器人配一副眼镜”。没有地图，路径规划就是瞎指挥。今天我们先聊上半部分：占据栅格地图的原理，以及经典的Gmapping SLAM算法。

4.1 占据栅格地图：机器人的“视力表”

先问大家一个问题：机器人怎么表示一个房间？用照片？用CAD图纸？都不对。机器人用的是占据栅格地图（Occupancy Grid Map）。

简单来说，就是把环境切成一个个小格子。每个格子存一个概率值：0表示绝对空，1表示绝对有障碍物，0.5表示未知。

P(occ | z) = P(z | occ) * P(occ) / P(z)

l_i = l_i + log( P(z|occ) / P(z|free) )

我在项目中遇到过一个问题：直接用概率相乘，很快所有格子都变成0或1了，失去了不确定性。后来改用对数形式，才稳定下来。嗯，这里要注意，初始值一般设为0（对应概率0.5）。

4.2 占据栅格地图的更新流程

机器人每走一步，激光雷达扫一圈，我们就更新一次地图。流程如下：

1. 射线投射：从机器人位置出发，沿激光方向打一条射线。
2. 命中点：射线终点对应的栅格，标记为“占据”。
3. 穿过的栅格：射线路径上的其他栅格，标记为“空闲”。
4. 更新概率：用贝叶斯公式更新每个栅格的log-odds值。

4.3 Gmapping SLAM：经典中的经典

Gmapping 是ROS里最常用的2D SLAM算法。它基于粒子滤波（RBPF），说白了就是：用一堆粒子来猜机器人的位姿，每个粒子带一张地图。

为什么它这么流行？因为它在小场景（比如家庭、办公室）里又快又准。我当年做扫地机器人项目，第一版用的就是Gmapping，效果相当不错。

4.4 Gmapping的核心原理

Gmapping 的核心思想是：先估计位姿，再更新地图。具体分三步：

• 提议分布：用里程计+激光雷达的观测，生成粒子的候选位姿。
• 权重计算：每个粒子根据观测与地图的匹配程度，计算权重。
• 重采样：扔掉权重低的粒子，复制权重高的粒子。

你想想看，如果只用里程计，粒子会越散越开。但Gmapping用激光雷达的观测来“拉回”粒子，这就是它精度高的原因。

4.5 实战：在ROS中运行Gmapping

好了，理论讲完，我们直接上手。以下是我在ROS Noetic上跑Gmapping的步骤：

4.5.1 安装与启动

# 安装Gmapping
sudo apt install ros-noetic-gmapping

# 启动Gmapping节点
rosrun gmapping slam_gmapping scan:=/scan

这里要注意，scan:=/scan 是把激光雷达的话题重映射到Gmapping默认的输入话题。如果你的雷达话题是/laser/scan，就改成scan:=/laser/scan。

4.5.2 参数调优

Gmapping 的参数很多，但核心就几个：

4.6 知识体系总览

为了让大家更直观地理解本章的知识结构，我画了一张图：

4.7 实战中的常见问题

最后，分享几个我踩过的坑：

• 地图漂移：通常是里程计不准。可以试试增加粒子数，或者用IMU辅助。
• 建图速度慢：把particles从30降到20，或者增大linearUpdate。
• 地图有空洞：激光雷达的盲区。可以调整雷达安装高度，或者用多传感器融合。