第四章：环境感知与建图
各位同学，欢迎来到第四章。这一章我们聊点硬核的——机器人怎么“看”世界，又怎么把看到的东西记下来。
说白了，环境感知与建图就是给机器人装上一双眼睛和一张草稿纸。眼睛负责看，草稿纸负责画。我做了这么多年AMR，最深的感触就是：建图搞不定，后面所有规划都是空中楼阁。
4.1 栅格地图：机器人的“像素世界”
先问个问题：机器人怎么表示它周围的环境？
你可能会想到CAD图纸，或者三维点云。但实际工程中，最常用的反而是最简单的——栅格地图。
栅格地图，就是把环境切成一个个小格子。每个格子要么是空的（可通行），要么是占着的（障碍物）。就像像素画一样，格子越小，地图越精细，但计算量也越大。
关键参数：
- 分辨率：每个格子代表的实际尺寸。我常用5cm或10cm。室内用5cm，室外用10cm，这是经验值。
- 尺寸：地图的总大小。比如100m×100m，对应2000×2000个格子。
- 坐标系：通常以机器人启动位置为原点。
栅格地图的好处是什么？简单、直观、好维护。我在项目里遇到过客户要求地图能实时更新，栅格地图改起来就特别方便——改一个格子就行，不用重建整个模型。
4.2 占据栅格地图构建
光有栅格还不够，我们得知道每个格子到底有没有东西。这就是占据栅格地图要做的事。
每个格子存一个概率值，0表示绝对空，1表示绝对占。初始状态是0.5——完全未知。
机器人每扫一次激光，就会更新这些概率。数学上用的是贝叶斯更新，但工程上我更喜欢用对数几率（log-odds）来算，避免概率值溢出。
// 伪代码：占据栅格更新
float log_odds = log(p / (1 - p));
// 激光命中：增加占据概率
log_odds += hit_increment; // 比如 +0.85
// 激光穿过：减少占据概率
log_odds += miss_increment; // 比如 -0.40
// 转回概率
p = 1 - 1 / (1 + exp(log_odds));
我的经验：hit_increment和miss_increment的比值很关键。我一般设成2:1左右。太大容易产生噪点，太小更新太慢。你可以在仿真里调一调，找到手感。
嗯，这里要注意：激光不是完美的。它可能打到玻璃上透过去，也可能被黑胶带吸收。所以每次更新都要带点“怀疑”，别太相信单次测量。
4.3 SLAM概念：边看边画
SLAM，全称是Simultaneous Localization and Mapping。中文叫“同步定位与建图”。
这名字起得挺绕，其实道理很简单：
- 机器人不知道自己在哪（定位问题）
- 机器人也不知道周围长啥样（建图问题）
- 两个问题互相依赖——不知道自己在哪就没法建图，没有图就没法定位
这就像你蒙着眼走进一个陌生房间，一边摸墙一边在脑子里画地图。你每走一步，都在同时更新“我在哪”和“墙在哪”。
SLAM的核心思想就是：用概率模型把这两个问题捆在一起解。说白了，就是“我猜我在这个位置，如果这个位置是对的，那地图应该长这样...嗯，跟传感器数据对上了，那我的猜测就是对的。”
避坑指南：我曾经在一个大仓库里做SLAM，结果跑了半小时地图全飘了。后来发现是地面太光滑，轮子打滑导致里程计误差累积。记住：SLAM对里程计质量要求很高，轮子打滑是头号杀手。
4.4 Gmapping算法原理
Gmapping是ROS里最经典的2D SLAM算法之一。它基于粒子滤波（Particle Filter），说白了就是用一堆“猜测”来逼近真实状态。
每个粒子代表一个可能的机器人位姿和地图。算法流程大致是：
- 初始化：撒一堆粒子，均匀分布在起始位置附近
- 预测：根据里程计数据，让每个粒子往前走一步
- 更新：用激光扫描数据，计算每个粒子的“靠谱程度”
- 重采样：淘汰不靠谱的粒子，复制靠谱的粒子
- 建图：用所有粒子的加权平均，更新栅格地图
Gmapping有个很聪明的优化：它不直接对全地图做粒子滤波，而是把定位和建图分开。定位用粒子滤波，建图用栅格更新。这样计算量小了很多。
Gmapping的优缺点：
| 优点 | 缺点 |
|---|---|
| 计算量小，适合嵌入式 | 不擅长闭环检测 |
| 对小场景效果好 | 大场景容易漂移 |
| 代码成熟，社区支持好 | 对激光频率要求高 |
我记得有一次在实验室里跑Gmapping，怎么调参数都建不好图。后来发现是激光雷达的帧率设得太低——10Hz以下基本没法用。建议至少20Hz，最好40Hz以上。
4.5 Cartographer算法简介
Cartographer是Google开源的一套SLAM方案。它比Gmapping更现代，解决了Gmapping的几个痛点。
核心思路是：用图优化（Graph Optimization）代替粒子滤波。什么意思呢？
- 把机器人的每个位姿当成一个“节点”
- 把传感器观测当成“边”
- 整个问题变成：调整所有节点的位置，让所有边的约束最一致
这就像拼拼图。每块拼图（节点）的位置可以微调，但相邻拼图之间的图案（边）必须对齐。最终目标是整幅图看起来最自然。
Cartographer的另一个亮点是：它内置了闭环检测。当机器人回到之前去过的地方，算法会自动识别并修正累积误差。这一点Gmapping做不到。
// Cartographer配置片段（简化）
TRAJECTORY_BUILDER_2D {
min_range = 0.3 // 最小测量距离
max_range = 30.0 // 最大测量距离
voxel_filter_size = 0.05 // 体素滤波大小
use_online_correlative_scan_matching = true
real_time_correlative_scan_matcher {
linear_search_window = 0.1
angular_search_window = math.rad(20.)
}
}
我的建议：如果你做室内小场景（1000平米以内），Gmapping完全够用，还省资源。但如果是大场景、长廊、或者需要长时间运行，直接上Cartographer。别犹豫，我吃过亏。
Cartographer也有缺点：配置参数多，调起来费劲。我第一次用的时候，光调那个“submaps”参数就花了两天。但一旦调好，效果是真的稳。
知识体系总览
下面这张图是我自己画的，把本章的知识结构串起来了。你可以把它当成一张“地图”，随时回来对照。
这张图把本章内容分成了三大块：栅格地图是基础，SLAM是核心思想，Gmapping和Cartographer是具体实现。你顺着这个结构往下学，思路会清晰很多。
好了，这一章的内容就到这里。环境感知与建图是AMR的“眼睛”和“记忆”，后面所有路径规划、避障、导航都依赖它。建议你动手跑一跑Gmapping和Cartographer的demo，亲手调一次参数，比看十遍文章都管用。
公众号:蓝海资料掘金营，微信deep3321