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）：

1
2
3
4
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”

1
2
3
4
5
flowchart 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/>不知道'这是同一个地方'"]
    C --> D["❌ 地图错位/重影<br/>(加粒子只能缓解)"]
    style D fill:#fce8e6,stroke:#d93025

滤波框架”边走边写不回头”的设计使它天然无法回填修正历史–这是与图优化框架的代差。

1.3 粒子数两难

粒子少 -> 大场景/强噪声下丢解；粒子多 -> 内存/算力线性涨。改进提议分布（第 5 篇）缓解但没根治。

二、横向对比：三大 2D 激光 SLAM

gmapping (2007) Hector (2011) Cartographer (2016, Google)
框架 粒子滤波（RBPF） 扫描匹配（高斯牛顿） 图优化（submap + 回环）
里程计 必须有（提供先验） 不需要（为救灾不平地面设计） 不需要（手持也能用）
雷达频率要求 低（5Hz 可用） 高（40Hz+） 中
回环检测 ❌ ❌ ✅（分支定界搜索）
大场景 ❌ 内存爆 中 ✅
计算特征 快、省（小场景） 极快但快速转向易崩 重（矩阵优化，Ceres）
适用 室内机器人/扫地机 高频雷达/无轮平台 大场景/手持/商用主力

选型口诀：室内小场景有里程计 -> gmapping；没有里程计但雷达好 -> Hector；要回环、要大图、机器管够 -> Cartographer。

三、滤波 vs 图优化：一张图看懂代差

1
2
3
4
5
6
7
8
9
10
flowchart TD
    subgraph F["滤波派 (gmapping): 在线递推"]
        A1["t=1 更新"] --> A2["t=2 更新"] --> A3["t=3 更新..."]
        A3 -.->|"❌ 历史已定, 不能回头改"| A1
    end
    subgraph G["图优化派 (Cartographer): 全局优化"]
        B1["位姿=节点<br/>约束=边"] --> B2["发现回环: '节点A=节点Z'<br/>加一条边"] --> B3["整体重优化<br/>✅ 全图误差摊平"]
    end
    style F fill:#fef7e0,stroke:#b06000
    style G fill:#e6f4ea,stroke:#188038

类比（第 1 篇的延续）：滤波派 = 边走边记日记不修改；图优化派 = 写完通读全书、修正所有矛盾。

四、进阶学习路线（从这里出发）

1
2
3
4
5
6
flowchart LR
    NOW["📍 你在这里<br/>gmapping 入门完成"] --> A["同代吃透<br/>Hector(高斯牛顿扫描匹配)<br/>Karto(图优化入门)"]
    A --> B["现代主流<br/>Cartographer(submap/回环/分支定界)"]
    B --> C["3D 时代<br/>LOAM系/LeGO-LOAM/LIO-SAM<br/>(激光里程计+IMU紧耦合)"]
    B --> D["多传感器融合<br/>EKF/ESIKF 融合轮速+IMU+激光"]
    style NOW fill:#e8f0fe,stroke:#1a73e8
里程碑 学什么 承接本系列哪块
Hector 纯扫描匹配的极限 5 §扫描匹配
Karto 图优化最小入门 9 §三 的对照面
Cartographer 回环检测/子图/工程化 全部
LIO 系 3D + IMU 紧耦合 2 传感器融合的延伸

五、系列总结：九篇一张图

1
2
3
4
5
6
7
8
9
10
11
12
flowchart TD
    N0["0️⃣ 概率/贝叶斯/链式法则"] --> N1["1️⃣ SLAM=鸡生蛋, 门派地图"]
    N1 --> N2["2️⃣ 激光/里程计/栅格地图/TF"]
    N2 --> N3["3️⃣ 粒子滤波: 撒-打分-淘汰, Neff"]
    N3 --> N4["4️⃣ RBPF: 拆成 定位(采样)+建图(解析)"]
    N4 --> N5["5️⃣ 两大改进: 提议分布+自适应重采样"]
    N5 --> N6["6️⃣ 源码: processScan 逐行对号"]
    N5 --> N7["7️⃣ 实战调参"]
    N6 --> N8["8️⃣ 迷你实现 200 行"]
    N7 & N8 --> N9["9️⃣ 局限与进阶路线"]
    style N5 fill:#fef7e0,stroke:#b06000
    style N9 fill:#e6f4ea,stroke:#188038

最终一句话：gmapping = 链式法则拆解（RBPF）+ 扫描匹配增强的提议分布 + Neff 自适应重采样 + 地图树省内存。理解了它，你就理解了整个粒子滤波 SLAM 时代的思想与黄昏。

📚 参考：原理分析（优缺点/内存账/与 Cartographer 对比，本文主要依据）、源代码解析（滤波 vs 图优化分类）