6.1 SLAM建图集成

6.1 SLAM 建图集成

本节摘要：SLAM（同步定位与建图）是导航链路的第一环：机器人在陌生的环境里一边给自己定位、一边把扫描拼成地图。本节以 slam_toolbox 为工具讲清在线建图的完整流程——启动、遥控扫描、质量验收、保存复用，并给出一套"地图好不好"的可操作判据。建图质量直接决定 6.2 节导航的上限，这一环的马虎会在下游加倍偿还。

一边定位一边画图，鸡生蛋问题的工程解

SLAM 的趣味在于它的循环依赖：要建图得知道自己每刻在哪（否则扫描对不齐），要知道在哪得有地图（否则没法匹配定位）。工程上的解法是用运动增量做初始猜测：里程计说"这零点一秒我前进了五毫米"，SLAM 在旧地图附近的小范围里做扫描匹配，修正这个猜测，同时把新扫描并入地图。猜测越准、修正越小，地图越稳——这就是为什么底盘里程计质量会直接影响建图质量，也解释了"换了差底盘后地图变糊"这类跨界故障。

一、在线建图：十分钟的完整流程

以 slam_toolbox 为例，配合手动遥控（键盘节点）完成一次室内建图：

# 终端一：底盘与雷达驱动（前置：第5章的 TF 与传感器接入全部就绪）
ros2 launch my_bringup sensors.launch.py

# 终端二：启动 slam_toolbox 在线模式
ros2 launch slam_toolbox online_async_launch.py \
  use_sim_time:=false

# 终端三：键盘遥控，慢速、匀速、贴边走
ros2 run teleop_twist_keyboard teleop_twist_keyboard

# RViz 观察地图生长（固定帧设 map，添加 Map 与 LaserScan 显示项）
​

遥控策略比参数调优更影响成图质量，三条经验：速度放慢——快了扫描畸变增大，匹配区间变宽，墙会糊；走闭环——绕房间一圈回到起点，回环检测会把累积误差"拉直"，这正是闭环一致性判据的来源；先绕边界后补细节——外轮廓先立起来，再补充内部结构，避免早期局部错误固化。

二、地图质量的四条判据

建完图，别急着保存，先按四条判据验收。它们把"看起来还行"翻译成可检查的具体项：

判据背后有个统一的机理：SLAM 的误差来自里程计积分的漂移，扫描匹配负责修正，修正的锚点是"看到的老地方"。所以一切验收项都在问同一件事——漂移有没有被修正掉。墙斜了、角歪了、墙出重影，都是修正失败的具象。

图 6-1：建图质量问题的溯源路径

三、保存与复用：从建图模式到定位模式

地图验收合格后保存，系统切换到"只定位不建图"的稳态运行：

# 保存地图：生成 yaml 加 pgm 两个文件
ros2 run nav2_map_server map_saver_cli -f ~/maps/floor3

# 复用：map_server 加载静态地图，配合 amcl 定位
# 此时的运行组合是：map_server 定位 遥感不再需要 slam_toolbox
​

pgm 是灰度图：黑为占用、白为空闲、灰为未知。yaml 里记着分辨率、原点位姿——它声明"这张图的左下角在世界坐标的哪里"，错一格地图整体错位一格。定位模式（amcl）的工作方式是粒子滤波：在已知地图上用一堆粒子猜位姿，逐步收敛。它有个必须知道的软肋：初始位姿敏感——机器人被搬到地图外或初始猜测离谱时，粒子可能收敛到错误局部解，表现为"定位在错误位置自信地抖动"。处置手段是在 RViz 里手动给初始位姿，或让机器人走到特征明显的区域自我校正。

💡 关键直觉：建图是"认知"，定位是"考试"。建图期的错误会被永久固化进地图；定位期的错误可以重定位纠正。所以宁可建图慢、判据严，也别指望运行期补救——考试可以重考，认知很难重写。

四、建图失败现场：一次从症状到底盘的溯源

判据之外，值得再看一次完整的溯源现场，把表格里的归因走成实路。现场是一台新组装的样机：建出的图里直角走廊成了平行四边形，重影明显。按对策清单逐项走——降速重扫，无改善；补走闭环，回环勉强闭合但图仍歪。走到第三项"查里程计"，真相浮出：底盘两个驱动轮的直径实际差了百分之三，厂家标称一致。直行时底盘在持续微转向，里程计按"直行"积分，漂移被系统性放大，扫描匹配窗口再宽也修不正这种带方向性的偏差。

这个案例的解读价值在于偏差的方向性：随机噪声造成的漂移走圈能平均掉，系统性偏差造成的漂移走多少圈都在积累。墙斜、角歪这类"整体形变"症状，多数指向系统性偏差——轮径差、轴距差、安装偏斜，而不是参数。参数调优治不了机械公差。

处理动作是把两轮直径实测值写进底盘驱动配置，重扫一次成型。顺手沉淀了一条团队流程：新底盘上线前，走十米直线路，用里程计积分终点与实际终点的偏差做体检——偏差超过百分之一，先修机械再看软件。建图质量问题里，机械因占比之高常出乎软件团队的预料；把排查半径从"算法参数"扩展到"底盘物理"，很多悬案当场了结。

还有一个常被问起的运维问题：环境改造后地图要不要重扫？判断标准是特征留存度——墙面格局基本不变的轻度改动（搬货架、加隔断），定位模式下让 amcl 用扫描匹配吸收增量即可，不必重扫；结构性改动（拆墙、新增走廊）则必须重扫，否则定位会持续把旧地图"往新世界上硬套"，抖动与错位频发。地图是有保质期的资产，保质期由环境变化率决定——把"何时重扫"写进运维手册，好过每次现场争论。

本节要点回顾

• SLAM 用运动增量做猜测、扫描匹配做修正，里程计质量直接决定地图上限；
• 遥控三诀：慢速、匀速、走闭环，比多数参数调整都有效；
• 四条验收判据（墙直、角方、无重影、闭环一致）都在检测"漂移是否被修正"；
• map_saver 产出一图一描述，yaml 的原点位姿错一格、地图整体错一格；
• 定位是考试不是认知：初始位姿敏感是 amcl 的软肋，手动给初值是标准处置。

地图立住了。下一节让机器人自己走起来：Nav2 的代价地图、两级规划与行为树。