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：

angles: [-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（Hector 需要 40Hz+）
角分辨率	每束激光隔几度（典型 0.25°~1°）	越密越利于扫描匹配
量程	最远测多远（典型 8~30 m）	maxUrange 参数通常设为量程的 80%

1.3 激光的脾气：准，但”不知道自己是谁”

• ✅ 测距很准（厘米级），不受光照影响；
• ❌ 只告诉你”这个方向 X 米处有个东西”，不告诉你那是什么–两段长得一样的走廊，激光分不出来（这正是回环检测难的原因）；
• ❌ 玻璃、镜面会”穿过去”或产生鬼影。

---

二、里程计：从轮子转数猜走了多远

2.1 原理

轮子电机带编码器：转一圈 = 走 2πR 米。左右轮转数差 -> 转了多少角度。里程计把这两者积分成位姿变化 $\Delta x, \Delta y, \Delta \theta$。

2.2 里程计的致命伤：误差累积

每一步的小误差（轮子打滑、轮径不准、地面不平）全部累加：

flowchart LR
    A["真實轨迹"] --- B["里程计轨迹"]
    subgraph drift["走 100 米后"]
        A1["✅ 实际在 A 点"] 
        B1["❌ 里程计以为在 B 点<br/>(可能偏了好几米)"]
    end

但短时间内的”相对变化”很可靠。gmapping 的用法正是取其长避其短：用里程计提供短时位姿先验（”我这 0.1 秒大概动了这么点”），再用激光来修正长期漂移。这也解释了为什么 gmapping 对雷达频率要求低：两帧激光之间，里程计能大致告诉你机器人怎么动的。

注：Hector SLAM 不用里程计（为救灾地形设计，轮子可能悬空），所以它必须用高频激光硬扛；Cartographer 为手持设备设计，同样没里程计。gmapping 是”有轮子机器人”的菜。

---

三、栅格地图：把世界切成小格子

3.1 一张”灰度图”

gmapping 输出的地图，本质是一张 pgm 灰度图（ROS 里叫 /map，消息类型 nav_msgs/OccupancyGrid）：

颜色	占用概率	含义
⬛ 黑	≈ 1	障碍物（有东西，撞不得）
⬜ 白	≈ 0	空闲（激光穿过去了，没东西）
🟫 灰	0.5	未知（从没扫到过这里）

把环境切成边长 delta（分辨率，典型 5cm）的小格子，每个格子存一个”这里被占据的概率”。这就是 gmapping 每个粒子随身携带的地图。

3.2 关键问题：为什么激光能”点亮”格子？

一束激光从雷达到命中点，划过一条线段，信息量巨大：

flowchart LR
    L["🤖雷达"] -.->|"激光穿过<br/>这些格子 = 空闲"| H["⬛命中点<br/>这个格子 = 占用"]
    style L fill:#e8f0fe,stroke:#1a73e8
    style H fill:#1e1e1e,color:#fff

• 穿过没被挡 -> 沿途所有格子大概率是空的；
• 终点被挡住 -> 命中格子大概率是占用的。

这个”从激光射线反推格子占用概率”的经典模型叫 Bresenham 光线投射（第 8 篇实现时亲手写）。gmapping 底层用的改进版叫 Gmapping-Style Scan Matcher + 每粒子地图更新，本质相同。

3.3 地图怎么更新：还是贝叶斯

某个格子 $c$ 收到新激光证据后的更新，人话版：

新置信度 = 老置信度 × （这束激光说它占用/空闲的可能性）

情况	格子概率变化
激光穿过该格子	占用概率 ↓（乘一个 <1 的系数，如 0.4）
激光正好打在该格子	占用概率 ↑（乘一个 >1 的系数，如 0.6+0.7）
这次没涉及该格子	不变

多次观测反复修正，灰格子逐渐”变黑”或”变白” – 这就是你在 RViz 里看到地图一点点长出来的过程。

3.4 ROS 里的地图细节

• /map 话题采用 latched（锁存） 发布：地图不更新时不重发，新订阅者也能立刻收到最后一次的地图（地图变化慢，省带宽）；
• 地图原点、分辨率、尺寸由 map_metadata 描述；
• 每个粒子的地图在内存里，只有最优粒子的地图才会发布出来。

---

四、三个坐标系的”套娃”（TF 树）

gmapping 输出的定位结果，在 ROS 里表现为一条 TF 变换链：

flowchart LR
    MAP["map 坐标系<br/>(全局地图, 不漂移)"] -->|"[map->odom]<br/>gmapping 负责修正"| ODOM["odom 坐标系<br/>(里程计积分, 平滑但漂移)"]
    ODOM -->|"[odom->base_link]<br/>里程计直接发布"| BASE["base_link<br/>(机器人本体)"]
    BASE -->|"[base->laser]<br/>静态, 装在哪就在哪"| LASER["laser 坐标系"]
    style MAP fill:#e6f4ea,stroke:#188038
    style ODOM fill:#fef7e0,stroke:#b06000

为什么要套娃？ 分工明确：

• odom -> base_link：里程计发布，短期平滑（适合控制），但长期漂移；
• map -> odom：gmapping 发布，本质是修正量（”里程计世界和真实地图世界差了多少”），跳变但不漂移。

gmapping 每帧做的事：拿最优粒子的位姿（地图坐标）和里程计位姿求差，更新 map -> odom（第 6 篇源码里对应 map_to_odom_ 那三行）。

---

五、本篇小结

角色	长处	短处	gmapping 怎么用
激光雷达	测距准、不受光照	不识别物体、无差异场景	提供观测，修正漂移
里程计	短时相对运动准	误差累积	提供位姿先验，降低对雷达频率要求
栅格地图	直观、可导航	每粒子一张 -> 内存大户	每个粒子随身携带一份

📚 参考：源代码解析（栅格地图与 /map latched 机制）、ROS1系列（话题与参数）