机器人 / 系统课时

SLAM 为什么需要同时估计位姿和地图

SLAM 为什么需要同时估计位姿和地图

机器人进入没有现成地图的走廊时,激光雷达只能测量障碍物相对自身的距离,里程计也只能估计机器人移动了多少。要生成空间位置一致的地图,就必须同时推断机器人在哪里、周围环境是什么样。本篇通过走廊测距算例解释两者为何相互依赖,以及 ROS 2 中的输入与输出。

学习目标

  • 区分机器人位姿、环境地图和传感器观测,解释它们的相互依赖关系。
  • 用具体测距数据说明里程计误差如何影响建图,以及联合估计如何修正误差。
  • 识别 ROS 2 SLAM 的主要输入、输出、坐标系和典型失效现象。

位姿与地图为什么相互依赖

对于平面移动机器人,位姿通常用三个量表示:位置 x、y 和朝向角 yaw。地图则描述墙壁、障碍物或环境特征在统一坐标系中的位置。激光雷达测得的是传感器到障碍物的相对距离,而不是障碍物的全局坐标。

假设机器人正对一面墙,激光测得距离为 3.0 m。如果机器人位于 x=0 m,墙可能位于 x=3.0 m;如果机器人位于 x=2.0 m,墙就可能位于 x=5.0 m。只看这一条测距数据,无法确定机器人和墙壁各自的位置。

反过来,如果已经知道墙的位置,就能利用测距推断机器人位姿。这形成了两个相互依赖的问题:

  • 定位依赖地图:必须知道观测到的墙壁在哪里,才能判断机器人在哪里。
  • 建图依赖定位:必须知道每次扫描时机器人在哪里,才能把不同时间的障碍物观测放进同一张地图。

轮式里程计能够提供相邻时刻的运动估计,但车轮打滑、编码器误差和转向误差会不断累积。如果只用里程计拼接扫描,走得越远,墙壁轮廓通常越容易发生错位。

SLAM(Simultaneous Localization and Mapping,同时定位与建图)将机器人轨迹和地图作为相关的未知量,利用运动约束与环境观测共同估计它们。初始位姿通常被选作坐标参考;没有外部定位基准时,地图的绝对位置和方向本身无法唯一确定。

用走廊测距理解联合估计

考虑一辆沿 x 轴前进的机器人。为了简化问题,假设机器人始终朝向正 x 方向,前方只有一面静止的墙,且第一次观测时定义机器人位于 x=0 m。

测量项目 数值 含义
第一次激光测距 3.00 m 初始位置到墙壁的距离
里程计位移 1.10 m 机器人估计自己前进的距离
第二次激光测距 2.00 m 移动后到同一面墙的距离

如果完全相信第一次测距,墙壁位于 x=3.00 m。若再完全相信里程计,第二次位姿就是 x=1.10 m,预测墙距应为 1.90 m,与第二次实际观测的 2.00 m 相差 0.10 m。

走廊中机器人位姿和墙壁位置的联合估计示意图

这 0.10 m 的差异说明三项测量不能同时被视为完全准确。SLAM 需要根据传感器的不确定性分配修正量,而不是永远相信里程计或某一次激光观测。

例如,假设里程计位移的标准差为 0.10 m,两次独立测距的标准差均为 0.05 m。采用独立高斯误差模型和按方差加权的最小二乘估计,可得到:

  • 第二次机器人位置约为 x=1.033 m。
  • 墙壁位置约为 x=3.017 m。
  • 修正后的位姿和地图共同解释三项带噪声观测,而不强制每项残差都为零。

这个一维算例展示了联合估计的本质。真实二维 SLAM 还需要处理朝向角、多个障碍物、数据关联和传感器噪声,并持续维护整条轨迹与地图的一致性。

ROS 2 中的输入和输出是什么

以二维激光 SLAM 为例,ROS 2 系统通常需要激光扫描、里程计和正确的坐标变换。不同机器人可以采用其他传感器组合,例如相机、惯性测量单元或视觉里程计,但都需要建立运动与环境观测之间的约束。

数据 常见 ROS 2 接口 作用
激光扫描 /scan,sensor_msgs/msg/LaserScan 提供各方向的距离观测
里程计 /odom,nav_msgs/msg/Odometry 提供局部位姿与速度估计
坐标变换 /tf、/tf_static 关联机器人、传感器和地图坐标系
二维地图 /map,nav_msgs/msg/OccupancyGrid 输出栅格化的环境占据信息

这些话题名是常见约定,实际名称可能因机器人配置和命名空间而不同。SLAM 算法还会估计机器人在地图坐标系中的位姿,有些实现也维护关键帧轨迹或位姿图。

在典型 ROS 2 导航系统中,坐标关系包括 map、odom 和 base_link:

  • map:全局地图参考坐标系,允许定位修正改变机器人在地图中的估计位置。
  • odom:连续的局部里程计坐标系,短时间运动通常平滑,但允许长期漂移。
  • base_link:机器人本体参考坐标系,激光雷达还需要通过外参变换关联到机器人本体。

通常由里程计系统提供 odom 到 base_link 的变换,由 SLAM 或全局定位系统提供 map 到 odom 的变换。这种分工允许全局位姿被修正,同时保留局部运动估计的连续性。详见 Nav2 坐标系说明。

对于二维占据栅格,OccupancyGrid 使用 -1 表示未知,占据概率值使用 0~100 表示。常见二值化地图用 0 表示空闲、100 表示占用。未知区域不等于已确认可通行区域,不能因为还没有观测到障碍物,就把它当作安全空间。

回到原处为什么能够修正轨迹

假设机器人沿走廊行驶一圈后回到出发位置,但由于累计运动误差,里程计估计的位置与起点相差 0.40 m。如果再次看到起点附近相同的墙角或环境特征,就可能建立一条连接当前观测与历史位置的约束。

这一过程称为回环检测。在采用位姿图优化的 SLAM 系统中,回环约束可以与原有里程计约束、扫描匹配约束一起优化,从而调整历史位姿,并据此修正地图。回环并非把最后一个位置直接强制改成起点,而是根据约束和不确定性分配整段轨迹的误差。

但回环检测也存在风险。两段形状相似的走廊可能被误认为同一个位置,错误约束会把原本不同的区域拉到一起。因此,回环候选通常需要通过几何一致性等条件验证;环境缺少可区分特征时,也可能始终无法可靠闭环。

如何判断 SLAM 结果是否可信

首次查看二维 SLAM 结果时,可以采用以下检查顺序:

  1. 检查坐标关系:确认地图、里程计、机器人本体和激光雷达之间存在有效的坐标变换,时间戳能够对应。
  2. 检查扫描与地图的一致性:机器人静止时,稳定墙面不应反复漂移;移动时,扫描点应大致落在地图对应的墙体附近。
  3. 检查重复经过的区域:再次经过同一面直墙时,不应持续生成两条明显分离的墙壁轮廓。例如稳定出现相距约 0.20 m 的双墙,就需要检查定位漂移、扫描匹配或传感器外参。
  4. 检查建图覆盖范围:已扫描区域应出现合理的空闲和占据栅格,未探索区域应保持未知,不能把整张地图都视为已完成。

SLAM 的直接成果是相互一致的机器人位姿估计与环境地图,而不是一张单独绘制的障碍物图片。只有运动轨迹、传感器观测和地图能够相互解释,后续导航与路径规划才有可信的空间基础。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

SLAM 为什么需要同时估计位姿和地图

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通