第2章环境建模基础

第2章：环境建模基础：栅格地图、拓扑地图、几何地图的构建与表示方法

各位同学，咱们今天聊聊环境建模。说白了，就是怎么让机器人「看懂」周围的世界。

我记得刚入行那会儿，带我的老工程师跟我说过一句话：「路径规划好不好，一半看地图建得怎么样。」当时我不太信，后来自己踩了坑才明白——地图是机器人的眼睛，眼睛不好使，腿脚再利索也白搭。

环境建模，就是把真实世界的几何信息、拓扑关系、障碍物分布，用一种机器人能理解的方式存下来。目前主流的三种地图：栅格地图、拓扑地图、几何地图。咱们一个一个说。

2.1 栅格地图（Grid Map）

栅格地图，我习惯叫它「像素地图」。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。简单粗暴，但特别好用。

核心思想：将连续空间离散化为等尺寸的栅格单元，每个栅格赋予一个占用概率值。

我在做AGV（自动导引车）项目时，用的就是栅格地图。仓库地面铺了反光条，激光雷达扫出来的数据噪点特别多。怎么办？我用了概率栅格——每个格子不是简单的0或1，而是0到1之间的概率值。多次扫描后，概率收敛，噪声自然被滤掉了。

栅格地图的构建步骤，我总结为三步：

传感器数据采集——激光雷达、声纳、深度相机都行
逆传感器模型——把测量值转换成栅格占用概率
贝叶斯更新——融合多次观测，更新每个栅格的概率

代码实现其实不复杂。我给你们看一个简化的栅格更新逻辑：

// 伪代码：栅格地图更新
for each laser_scan:
    for each beam in laser_scan:
        // 计算光束穿过的栅格
        cells = bresenham(robot_pose, beam_endpoint)
        for cell in cells:
            if cell == beam_endpoint:
                // 终点：障碍物概率增加
                grid[cell].occupied += 0.6
            else:
                // 路径上：空闲概率增加
                grid[cell].free += 0.4
        // 归一化概率
        grid[cell].probability = grid[cell].occupied / 
                                 (grid[cell].occupied + grid[cell].free)

嗯，这里要注意：栅格尺寸的选择很关键。我见过有人把栅格设成1cm，结果地图大得离谱，路径规划慢得像蜗牛。我个人建议，室内场景用5cm-10cm，室外场景用20cm-50cm。你想想看，精度够用就行，别追求极致。

避坑指南：我曾经在一个项目里把栅格设得太小，导致内存爆了。后来改用八叉树地图（OctoMap），动态调整分辨率——远处用粗栅格，近处用细栅格。效果立竿见影。

2.2 拓扑地图（Topological Map）

拓扑地图，说白了就是「地铁线路图」。它不关心精确的几何位置，只关心节点之间的连通关系。

为什么需要拓扑地图？我举个例子。你让机器人从A点去B点，如果用栅格地图，它得算几千个格子的路径。但用拓扑地图，它只需要知道「从节点1到节点2，走走廊，然后右转」——计算量小得多。

拓扑地图的构成要素：

节点（Node）——代表关键位置，比如路口、门、电梯口
边（Edge）——代表节点之间的连通路径，可以附带距离或时间代价
拓扑关系——谁和谁相连，怎么连

我记得做商场导览机器人时，就用了拓扑地图。商场太大了，栅格地图存下来得好几GB。我改成拓扑地图——每个店铺是一个节点，走廊是边。机器人导航时，先走拓扑路径到目标店铺附近，再切换成栅格地图做精细避障。这叫「粗粒度规划+细粒度执行」。

拓扑地图的构建方法，我常用两种：

方法	原理	适用场景
基于Voronoi图	提取环境中的中轴线，交点作为节点	室内结构化环境
基于关键点检测	识别门、拐角等特征点作为节点	动态变化的环境

注意：拓扑地图的缺点也很明显——它不包含精确的几何信息。如果环境发生微小变化（比如临时放了个桌子），拓扑地图可能感知不到。我建议拓扑地图和栅格地图配合使用，别只用一种。

2.3 几何地图（Geometric Map）

几何地图，就是「CAD图纸」。它用点、线、面、多边形来精确描述环境中的物体。

几何地图的表示方式，我归纳为三种：

特征地图（Feature Map）——提取环境中的直线、圆弧、角点等几何特征
占据地图（Occupancy Map）——用概率表示空间是否被占据（和栅格地图类似，但更灵活）
语义地图（Semantic Map）——给每个物体打标签，比如「这是桌子」「那是椅子」

我做自动驾驶项目时，用的就是几何地图。激光雷达扫描一圈，得到几十万个点云。直接处理太慢了，我提取出车道线、路沿、交通标志牌——这些几何特征足够让车辆知道自己该往哪开。

几何地图的构建流程：

传感器数据预处理（去噪、滤波）
特征提取（直线拟合、角点检测）
数据关联（匹配当前帧和地图中的特征）
地图更新（融合新观测到的特征）

这里我分享一个经验：几何地图对传感器精度要求很高。你想想看，如果激光雷达的测量误差是5cm，那你提取出来的直线位置可能偏差很大。我建议用IMU（惯性测量单元）做辅助，或者用多传感器融合来提升精度。

三种地图对比总结：

地图类型	精度	计算量	适用场景
栅格地图	中	高	室内导航、避障
拓扑地图	低	低	大范围路径规划
几何地图	高	中	自动驾驶、精密操作

2.4 实际项目中的选择策略

说了这么多，你可能会问：到底该用哪种地图？

我的建议是：看任务需求。

如果做扫地机器人，栅格地图就够了。如果做园区物流车，拓扑地图+栅格地图混合用。如果做手术机器人，那必须上高精度几何地图。

我最近在做一个项目，用的是「分层地图」——顶层是拓扑地图做全局规划，中间层是栅格地图做局部规划，底层是几何地图做精细操作。三层配合，效果出奇的好。

个人经验：别一开始就想着建完美的地图。先跑起来，再迭代优化。我见过太多人花了两周建地图，结果发现传感器参数没调对，全部重来。先建个粗糙的，验证算法没问题，再慢慢精化。

好了，环境建模基础就讲到这里。下一章咱们聊「动态障碍物检测与跟踪」，到时候我会分享一个我在工厂里遇到的「幽灵障碍物」的坑——挺有意思的，到时候细说。

📚 课程目录