环境建模与感知：让机器人看懂世界

说实话，做机器人路径规划这么多年，我最大的感触就是——地图是机器人的眼睛，感知是机器人的耳朵。没有好的环境建模，再牛的算法也是纸上谈兵。今天咱们就聊聊这个话题，我会结合自己踩过的坑，把栅格地图、拓扑地图、点云地图和传感器融合这些核心内容讲透。

一、栅格地图：最直观的建模方式

栅格地图，说白了就是把环境切成一个个小格子。每个格子要么是障碍物，要么是自由空间。我最早做扫地机器人项目时，用的就是这种地图。

为什么说它直观？你想想看，二维数组嘛，0表示可通过，1表示障碍物。路径规划时直接做A*搜索，简单粗暴。

但这里有个坑——分辨率怎么选？

我在项目中遇到过：选高了，地图太大，内存爆炸；选低了，机器人钻不过去窄门。一般室内场景，我建议用5cm-10cm的网格。走廊用10cm，房间内用5cm，动态调整。

// 栅格地图的简单表示
struct GridMap {
    int width;          // 宽度（格子数）
    int height;         // 高度（格子数）
    float resolution;   // 分辨率（米/格）
    uint8_t* data;      // 0=空闲, 100=障碍, 255=未知
};

二、拓扑地图：轻量级的路径网络

栅格地图虽然直观，但有个致命问题——太大了。一个1000平米的商场，用5cm分辨率，光地图就400万个格子。路径搜索时，A*算法跑得慢。

拓扑地图就是来解决这个问题的。它只保留关键节点和连接关系，像地铁线路图一样。

我记得有一次做仓储机器人项目，仓库有2000平米。用栅格地图，路径规划要算3秒。换成拓扑地图后，0.1秒就搞定了。

但拓扑地图也有缺点——精度不够。它只能告诉你「从A到B走哪条路」，但没法告诉你「离墙还有多远」。所以实际项目中，我通常把两种地图结合着用。

三、点云地图：三维世界的真实还原

如果你做的是自动驾驶或者无人机，那栅格地图就不够用了。你需要的是点云地图——用数百万个三维点来描述环境。

点云数据通常来自激光雷达。每个点包含(x, y, z)坐标，有的还带强度值。我做过一个矿区无人驾驶项目，激光雷达一帧就能扫出50万个点。

// 点云数据结构
struct Point3D {
    float x, y, z;      // 三维坐标
    float intensity;     // 反射强度
    uint32_t timestamp;  // 时间戳
};

// 点云地图通常用KD-Tree组织
class PointCloudMap {
    pcl::PointCloud<Point3D> cloud;
    pcl::KdTreeFLANN<Point3D> kdtree;
};

点云地图的优点是精度高、信息丰富。缺点是数据量大、计算复杂。50万个点做一次最近邻搜索，CPU直接拉满。所以实际应用中，我一般会做降采样——用体素滤波器把点云密度降到每立方米1000个点左右。

四、传感器融合：1+1>2的艺术

单一传感器都有局限性。激光雷达精度高，但怕雨雾；视觉信息丰富，但受光照影响大；IMU不怕环境，但会漂移。所以，融合才是王道。

我常用的融合方案是这样的：

传感器	优势	劣势	融合中的作用
激光雷达	精度高、测距准	怕雨雾、成本高	提供精确的障碍物位置
视觉	信息丰富、成本低	受光照影响大	识别物体、语义理解
IMU	不受环境干扰	有漂移、噪声大	提供短时高精度位姿

融合的核心是卡尔曼滤波或者因子图优化。我个人更偏爱因子图，因为它能处理非线性问题，而且方便加入各种约束。

// 简单的多传感器融合框架
class SensorFusion {
    // 激光雷达：提供观测约束
    void addLidarFactor(const Point3D& point);
    
    // 视觉：提供特征点约束
    void addVisualFactor(const FeatureMatch& match);
    
    // IMU：提供运动约束
    void addIMUFactor(const IMUData& imu);
    
    // 优化求解
    void optimize();
};

五、四种地图的对比与选择

说了这么多，到底该用哪种地图？我整理了一个对比表：

地图类型	维度	精度	计算量	适用场景
栅格地图	2D	中	中	室内导航、扫地机器人
拓扑地图	2D	低	低	大范围路径规划、仓储
点云地图	3D	高	高	自动驾驶、无人机
混合地图	2D+3D	高	中高	复杂场景、人机协作

实际项目中，我推荐用混合地图。比如做人机协作时，底层用栅格地图做碰撞检测，上层用拓扑地图做全局规划，再用点云地图做精细避障。这样既保证了实时性，又兼顾了精度。

六、本章知识体系总览

下面这张图是我自己画的，把本章的核心逻辑串起来了：

从这张图可以看出，整个流程是自底向上的。传感器采集原始数据，融合层做对齐和优化，地图层构建环境模型，最后交给路径规划算法使用。每一步都环环相扣，缺一不可。

嗯，今天就聊到这里。这些内容都是我这些年摸爬滚打总结出来的，希望能帮到你。有什么问题，欢迎交流。

---

公众号:蓝海资料掘金营，微信deep3321