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：

  1. 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°”；
  2. 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：

1
2
3
4
5
flowchart 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
    style B fill:#fce8e6,stroke:#d93025

这就是 SLAM（Simultaneous Localization And Mapping，同时定位与建图）的本质困境：

定位需要地图，建图需要定位，两者互为先决条件–一个”鸡生蛋、蛋生鸡”问题。

SLAM 算法的全部意义，就是打破这个死循环。gmapping 给出的解法，是本系列第 4 篇的主角。

二、SLAM 两个字的精确定义

任务 输入 输出
定位 Localization 传感器数据 + 已知地图 我在哪（位姿 $x, y, \theta$）
建图 Mapping 传感器数据 + 已知位姿 环境长什么样（地图 $m$）
SLAM 只有传感器数据 位姿 + 地图同时都要

机器人领域的三大件：建图、定位、路径规划。SLAM 正好卡在建图 ∩ 定位的交集上：

1
2
3
4
5
6
7
flowchart TD
    M["🗺️ 建图 Mapping"] --- SLAM
    L["📍 定位 Localization"] --- SLAM
    SLAM["SLAM<br/>(两者交集)"]
    P["🧭 路径规划 Planning<br/>(通常在SLAM之后, 依赖地图)"]
    SLAM -.->|"有了地图+定位"| P
    style SLAM fill:#fef7e0,stroke:#b06000

三、SLAM 门派地图：gmapping 站在哪

3.1 按传感器分

门派 传感器 特点
激光 SLAM 激光雷达（+里程计） 测距精准、不受光照影响、工业主流（扫地机器人/仓储 AGV）
视觉 SLAM 相机（单目/双目/RGBD） 便宜、信息丰富，但受光照/纹理影响大

gmapping 是激光 SLAM。

3.2 按后端解法分（更关键！）

两大门派的区别在于”怎么求解那个鸡生蛋问题”：

滤波派（贝叶斯递推） 图优化派
思路 每来一帧数据，在线更新对”位姿+地图”的概率估计 把历史位姿当节点、传感器约束当边，构建因子图，整体优化
代表 gmapping（粒子滤波）、Hector Cartographer、Karto
优点 实时性好、小场景精度高 支持回环检测、大场景、内存省
缺点 无回环、大场景内存爆炸（见第 9 篇） 计算量大、矩阵运算重

一个直觉对比：滤波派像”边走边记日记，写完不回头改”；图优化派像”写完整本日记后通读一遍，把前后矛盾的地方全部修正”（回环检测就是发现”这一页说的走廊和第 3 页是同一条”）。

3.3 gmapping 的江湖地位

  • 2007 年 Grisetti 等人论文《Efficient Rao-Blackwellized Particle Filters for SLAM》（TRO）；
  • 基于 RBPF 粒子滤波（滤波派），是 ROS 里最老牌、最常用的 2D 激光 SLAM 之一；
  • 小场景（室内、几百平米）精度高、算得快、参数少–至今仍是扫地机器人、教学实验的主力；
  • 大场景、需要回环的场景让位给 Cartographer。

四、SLAM 系统的通用流水线（所有算法都长这样）

无论哪个门派，激光 SLAM 都可以拆成四块：

1
2
3
4
5
6
7
8
flowchart LR
    S["🔊 传感器数据<br/>激光+里程计"] --> F["前端 Odometry<br/>粗略估计'我动了多少'<br/>(gmapping: 里程计+扫描匹配)"]
    F --> B["后端<br/>累积误差怎么处理<br/>(gmapping: 粒子滤波)"]
    B --> L["↩️ 回环检测<br/>'我是不是来过这儿?'<br/>(gmapping: ❌没有!)"]
    B --> M["🗺️ 建图<br/>更新栅格地图"]
    style S fill:#e8f0fe,stroke:#1a73e8
    style B fill:#fef7e0,stroke:#b06000
    style L fill:#f1f3f4,stroke:#5f6368

gmapping 在这张图里的填空：前端 = 里程计 + 扫描匹配；后端 = RBPF 粒子滤波；回环 = 无；地图 = 2D 栅格图。后面几篇逐个填满。

五、本篇小结

  • SLAM = 蒙眼画地图：定位和建图互为先决条件的死循环；
  • gmapping = 激光 + 滤波派（粒子滤波）+ 无回环 + 2D 栅格地图；
  • 通用流水线四件套：传感器 -> 前端 -> 后端 -> 地图（+回环）。

📚 参考：Gmapping算法原理及源代码解析（SLAM 分类与框架图）、GMapping原理分析（滤波 vs 图优化对比）