第四节：高精地图采集技术——RTK-GNSS定位、惯性导航(IMU)、激光雷达SLAM建图、视觉SLAM建图
各位同学，大家好。我是你们的老朋友，一个在泊车地图坑里摸爬滚打多年的工程师。今天咱们聊点硬核的——地图数据是怎么来的？说白了，就是怎么把车周围的世界，变成计算机能懂的“地图语言”。
这一节，我打算把四种核心采集技术掰开揉碎了讲。它们分别是：RTK-GNSS定位、惯性导航(IMU)、激光雷达SLAM、视觉SLAM。嗯，这四位兄弟，各有各的脾气，也各有各的绝活。
4.1 RTK-GNSS定位：厘米级的“天眼”
先说说RTK-GNSS。很多人觉得GPS就是导航，精度几米够用了。但在泊车场景下，几米的误差？那车可能直接怼到墙上了。
RTK，全称实时动态差分技术。它怎么工作的？简单讲，就是地面上架一个基准站，天上卫星信号飘过来，基准站算出差值，然后告诉你的车：“兄弟，刚才那个信号有偏差，我给你修正一下。”这样一来，定位精度就能从米级直接干到厘米级。
核心要点：RTK需要基准站和流动站（你的车）之间保持通信链路。一旦链路断了，精度会迅速退化到普通GNSS水平。
我在项目中遇到过一件事。有一次在大型地下车库做采集，RTK信号突然全丢了。为什么？因为头顶是厚厚的混凝土，卫星信号根本穿不透。所以，RTK虽好，但有个致命弱点——怕遮挡。地下、隧道、高楼峡谷，都是它的“禁区”。
我的建议：RTK适合做全局初始化，或者开阔区域的绝对定位校准。别指望它在地下泊车场景里全程工作。
4.2 惯性导航(IMU)：黑暗中的“盲人”导航
既然RTK怕遮挡，那怎么办？这时候就得请出IMU了。
IMU，惯性测量单元。它内部有陀螺仪和加速度计。陀螺仪告诉你“我转了多少度”，加速度计告诉你“我加速了多少”。然后通过积分，就能推算出位置和姿态。
说白了，它就像一个蒙着眼睛走路的人。你推他一下，他能感觉到自己走了多远、拐了多少弯。但问题是，误差会累积。走一步偏一点，走一百步就偏到姥姥家了。
避坑指南：我曾经在一个项目中只用IMU做定位，结果跑了200米后，位置漂移了将近5米。所以，IMU绝对不能单独用，必须和其他传感器做融合。
我个人习惯，把IMU当作“短时救星”。比如车辆经过一个短隧道，RTK失效了，IMU能撑个几秒钟，保证定位不中断。但时间一长，必须靠其他手段来修正。
4.3 激光雷达SLAM建图：点云世界的“雕刻师”
好，现在轮到重头戏了——激光雷达SLAM。
激光雷达，大家应该不陌生。它发射激光束，打到物体上反射回来，就能知道那个点离你有多远。成千上万个点汇聚在一起，就形成了点云。
SLAM，同步定位与建图。什么意思？就是一边走，一边问自己三个问题：我在哪？周围有什么？我走过的路是什么样的？然后同时把地图建出来。
激光SLAM的流程，我简单梳理一下：
- 前端里程计：匹配相邻两帧点云，算出相对运动。常用ICP（迭代最近点）或NDT（正态分布变换）。
- 后端优化：把一段时间内的所有位姿和观测值放到一起，做图优化，消除累积误差。
- 回环检测：当车再次回到之前去过的地方，识别出来，然后“拉一把”，把漂移修正掉。
你想想看，如果没有回环检测，激光SLAM跑久了，地图就会像喝醉了一样，越来越歪。回环检测就是那个“醒酒药”。
实战经验：我在做地下车库采集时，发现激光雷达对玻璃、镜面、黑色高光漆面几乎“失明”。因为这些表面会吸收或镜面反射激光，导致点云稀疏甚至缺失。所以，纯激光SLAM在泊车场景下，需要配合其他传感器做补偿。
4.4 视觉SLAM建图：用“眼睛”看世界
最后说说视觉SLAM。它和激光SLAM的思路很像，但传感器换成了摄像头。
视觉SLAM的核心，是从图像中提取特征点（比如角点、纹理点），然后跟踪这些特征点在连续帧之间的运动，从而估算出相机的位姿。
它的优势很明显：成本低、信息丰富。一个摄像头才几百块，却能提供颜色、纹理、语义信息（比如“这是车位线”、“这是柱子”）。
但缺点也很突出：对光照敏感、对纹理依赖强。你想想看，如果车库灯光昏暗，或者墙面一片纯白，视觉SLAM就抓瞎了——找不到特征点，算法直接崩溃。
我的建议：视觉SLAM适合做语义建图，比如识别车位线、路沿、标志牌。但纯视觉做定位，稳定性不如激光。所以，我一般把视觉SLAM的结果作为“软约束”，和激光、IMU做融合。
嗯，这里要注意一点。视觉SLAM里有个经典算法叫ORB-SLAM，它用ORB特征点做匹配。我在项目中试过，在纹理丰富的地方效果很好，但在空旷的停车场，特征点太少，经常跟踪丢失。后来我加了IMU预积分，才把稳定性提上来。
4.5 四种技术的融合策略
讲到这里，大家应该明白了：没有一种技术是万能的。RTK怕遮挡，IMU会漂移，激光怕玻璃，视觉怕黑暗。怎么办？融合。
我常用的融合框架是这样的：
| 传感器 | 主要作用 | 融合方式 |
|---|---|---|
| RTK-GNSS | 提供全局绝对坐标，消除累积漂移 | 作为因子图优化中的先验约束 |
| IMU | 提供高频短时运动估计，填补传感器间隙 | 预积分后加入优化方程 |
| 激光雷达 | 提供精确的几何结构，构建点云地图 | 作为主定位源，输出位姿 |
| 视觉 | 提供语义信息，辅助回环检测 | 提取特征点，与激光点云做联合优化 |
说白了，就是让它们互相“补台”。RTK给个大概位置，IMU负责短时平滑，激光负责精细几何，视觉负责认路标。这样组合下来，才能在地下停车场这种复杂环境里，建出一张精度在10厘米以内的泊车地图。
避坑指南：我曾经犯过一个错误——把所有传感器数据一股脑丢进优化器，结果因为时间戳没对齐，导致地图严重扭曲。所以，时间同步是融合的第一步，也是最容易被忽视的一步。务必用硬件触发或软件插值，把各传感器的时间戳对齐到微秒级。
好了，这一节的内容就到这里。四种采集技术，各有千秋，也各有短板。下一节，我会带大家看看，这些原始数据是如何被加工成高精地图的——也就是地图的“后处理与标注”环节。咱们下节课见。