0. 基本数学：三个小工具
0. 基本数学：看懂 gmapping 只需要三个小工具 📚 本系列导航：1. SLAM是什么：盲人摸象与边走边画 → 2. 机器人眼中的世界：传感器与栅格地图 → 3. 粒子滤波：一千个分身猜位置 → 4. RBPF：把鸡蛋问题拆开 → 5. gmapping的两大改进 → 6. 源码走读：一帧激光的旅程 → 7. 实战：跑起来与调参 → 8. 从理解到实现：迷你gmapping → 9. 局限与进阶：gmapping之外的世界 别怕，这一篇只有三个概念：概率、条件概率、贝叶斯。全程用”出门要不要带伞”讲清楚，看完你就能读懂 gmapping 的所有公式。 一、概率 = 置信度（你有多相信一件事）机器人不是全知的。它不知道自己在哪，只能”猜”–猜的过程，数学上用概率描述。 $$P(\text{下雨}) = 0.7$$ 读法：”下雨这件事，我信七成。” 概率是 0~1 之间的数：0 = 完全不信，1 = 完全确定； 机器人对”我在哪”的答案从来不是一个点，而是一个分布（哪里都有可能，只是可能性不同）。 SLAM 的本质：...
1. SLAM是什么：盲人摸象与边走边画
1. SLAM 是什么：一个”鸡生蛋”的故事 上一篇：0. 基本数学 ｜ 下一篇：2. 机器人眼中的世界：传感器与栅格地图 一、先讲个故事：蒙眼探索办公楼想象你被蒙上眼睛、坐轮椅推进一栋从没来过的办公楼，手里只有两样东西： 轮椅轮子上的计步器（= 里程计）：”我刚才大概往前走了 3 米，左转了 90°”； 一根能旋转 360° 的盲杖（= 激光雷达）：每挥一圈，告诉你”正前方 2.1 米是墙、右边 1.3 米是桌子腿、……” 现在要求你：一边搞清楚自己在楼里的位置，一边画出整层楼的平面图。 你很快会遇到死循环： 12345flowchart LR A["想画地图?"] -->|"得先知道自己在哪<br/>不然墙画在哪?"| B["想知道自己在哪?"] B -->|"得有地图参照<br/>'我在走廊三分之一处'"| A style A fill:#fce8e6,stroke:#d93025 s...
2. 机器人眼中的世界：传感器与栅格地图
2. 机器人眼中的世界：传感器与栅格地图 上一篇：1. SLAM是什么：盲人摸象与边走边画 ｜ 下一篇：3. 粒子滤波：一千个分身猜位置 gmapping 只吃两种数据：激光（”我看到什么”）和里程计（”我动了多少”）。这一篇讲清楚这两种数据长什么样、各有什么脾气，以及最终要画出的栅格地图是什么。 一、激光雷达：机器人的一圈”声呐”1.1 数据长什么样2D 激光雷达（如 RPLIDAR、思岚 S2）水平旋转，每转一圈打出几百束激光，返回一个距离数组： 123angles: [-90°, -89.5°, ..., +89.5°] (均匀分布 360°/N 份)ranges: [2.13, 2.10, 1.05, inf, ..., 1.87] ↑前方墙 ↑桌腿 ↑没打到东西(超量程) 一帧激光 = N 个 (角度, 距离) 对，从雷达中心向外呈放射状的一圈点。 1.2 关键参数 参数 含义 对 gmapping 的影响 频率 每秒扫几圈（典型 5~12 Hz） gmapping 依赖里程计先验，5Hz 也够用（Hecto...
3. 粒子滤波：一千个分身猜位置
3. 粒子滤波：用一千个”分身”猜位置 上一篇：2. 机器人眼中的世界：传感器与栅格地图 ｜ 下一篇：4. RBPF：把鸡蛋问题拆开 gmapping 的”滤波”两个字，指的就是粒子滤波。这一篇不出现任何 SLAM 公式，只讲清楚一件事：为什么撒一把随机点，就能算出一个概率分布。 一、核心思想：算不出来的分布，就”撒豆子”采样出来回到 0. 基本数学：机器人对”我在哪”的答案是一个概率分布。理想的分布长这样（真实位置附近可能性高）： $$P(x) = \text{某个极其复杂、写不出解析式的函数}$$ 问题：这个函数在计算机里根本没法直接表示和计算（里程计误差+激光匹配，非高斯、非线性、多维）。 粒子滤波的暴力解法：管它什么函数，撒 N 个随机样本点（粒子），用这堆点的密度来近似分布： 12345678910flowchart LR subgraph hard["无法计算的真实分布"] A["🗺️ 复杂概率云<br/>(真值附近高, 其他地方低)"] end subgrap...
4. RBPF：把鸡蛋问题拆开
4. RBPF：把”鸡生蛋”拆成两个小问题 上一篇：3. 粒子滤波：一千个分身猜位置 ｜ 下一篇：5. gmapping的两大改进 RBPF = Rao-Blackwellized Particle Filter（Rao-Blackwellized 粒子滤波），gmapping 的全称招牌。听起来唬人，其实思想在第 0 篇的链式法则里已经全部讲完了。这一篇把那行公式逐符号拆开，并补上”每个粒子怎么建图”。 一、那个 SLAM 公式，逐符号拆解gmapping 求解的目标（论文里的第一个公式）： $$P(x_{1:t}, m \mid z_{1:t}, u_{1:t-1})$$ 先看懂每个符号（都是纸老虎）： 符号 人话 $x_{1:t}$ 轨迹：从第 1 时刻到现在的全部位姿 $x_1, x_2, …, x_t$（每个位姿 = $x, y, \theta$） $m$ 地图（栅格地图） $z_{1:t}$ 观测：到目前所有激光帧（z = 激光 LaserScan） $u_{1:t-1}$ 控制量/运动：里程...
5. gmapping的两大改进
5. gmapping 的两大改进：粒子生得更准，死得更慢 上一篇：4. RBPF：把鸡蛋问题拆开 ｜ 下一篇：6. 源码走读：一帧激光的旅程 朴素 RBPF 有两个坑（第 4 篇结尾）：粒子撒不准 + 重采样太勤。gmapping 论文就干了两件事：改进提议分布（撒得准）+ 自适应重采样（死得慢）。这两件事让它用 30 个粒子干出了别人 3000 个粒子的活。 一、改进一：提议分布–先对齐，再撒粒子1.1 先搞懂”提议分布”是什么（60 秒版）回顾 3. 粒子滤波：一千个分身猜位置：预测阶段粒子从某个分布里采样，这个”从哪撒”的分布就叫提议分布（proposal distribution），记作 $q(x)$。 理想情况：直接从目标分布（真实的后验，”我到底在哪”的真实概率云）撒粒子–但算不出来（第 3 篇说过）。 所以只能找个好算又尽量接近目标的替身 $q(x)$，再靠权重修正两者差距： 权重的本质 = 目标分布与提议分布的不一致程度。提议分布越接近目标，需要的权重修正越小，粒子利用效率越高。 1.2 朴素做法烂在哪朴素 RBPF 的提议分布只信里程...
6. 源码走读：一帧激光的旅程
6. 源码走读：一帧激光数据的完整旅程 上一篇：5. gmapping的两大改进 ｜ 下一篇：7. 实战：跑起来与调参 原理懂了，现在把 第 5 篇 的算法图对号入座到真实代码。gmapping 分两层：外层 ROS 壳（slam_gmapping 包）+ 内核算法库（openslam_gmapping）。 一、代码地图1234567891011121314slam_gmapping/ ← ROS 壳: 订阅话题、格式转换、发 TF 和地图├── main.cpp 入口├── slam_gmapping.cpp startLiveSlam / laserCallback / addScan / updateMap└── ...openslam_gmapping/ ← 算法内核: RBPF 全在这├── gridfastslam/│ ├── gridslamprocessor.{h,cpp} ⭐ GridSlamProcessor::processScan() 核心循环│ ...
7. 实战：跑起来与调参
7. 实战：把 gmapping 跑起来，参数怎么调 上一篇：6. 源码走读：一帧激光的旅程 ｜ 下一篇：8. 从理解到实现：迷你gmapping 一、快速上手（ROS1）123456789101112# 终端1: 仿真环境(乌龟或自定义 world)roslaunch turtlebot3_gazebo turtlebot3_world.launch# 终端2: gmapping 建图roslaunch turtlebot3_slam turtlebot3_slam.launch slam_methods:=gmapping# 终端3: 键盘遥控走一圈roslaunch turtlebot3_teleop turtlebot3_teleop_key.launch# RViz 中添加 Map/TF 显示, 看着地图慢慢长出来# 保存地图rosrun map_server map_saver -f my_map gmapping 的接口（对着 第 2 篇 的输入输出看）： 方向 内容 订阅 /scan（sensor_msgs/LaserScan）、/...
8. 从理解到实现：迷你gmapping
8. 从理解到实现：亲手写一个迷你 gmapping 上一篇：7. 实战：跑起来与调参 ｜ 下一篇：9. 局限与进阶：gmapping之外的世界 目标：用 Python 把 第 5 篇 的算法图变成 ~200 行可跑代码。不追求工程性能，追求每一行都能对应到原理。 一、总体框架12345678910111213141516import numpy as npclass MiniGmapping: def __init__(self, n_particles=30, res=0.05, map_size=400): self.particles = [Particle() for _ in range(n_particles)] self.res = res # 栅格分辨率 5cm self.grid = np.zeros((map_size, map_size)) # log-odds 占用栅格 def step(self, odom_delta, scan): ...
9. 局限与进阶：gmapping之外的世界
9. gmapping 的局限与激光 SLAM 进阶路线 上一篇：8. 从理解到实现：迷你gmapping ｜ 系列完结篇 一、gmapping 的三条硬伤（原理决定的，非调参能救）1.1 内存：每个粒子都是”地图收藏家”算一笔账（沿用 原理分析 的例子）： 1234场地 200m × 200m，分辨率 5cm，每格 1 字节 -> 一张地图 = (200/0.05)² = 4000² = 1600 万格 ≈ 16 MB -> 100 个粒子 = 1.6 GB -> 500m × 500m + 200 粒子 ≈ 直接爆内存 💥 即便有第 6 篇的地图树共享，地图差异随轨迹分歧增大，共享收益逐渐消失。 1.2 无回环检测：走过回头路就”翻旧账”12345flowchart LR A["走过一大圈<br/>回到起点"] --> B["里程计漂移累积<br/>(误差可能好几米)"] B --> C["gmapping: 没有回环检测<br/>...