机器人地图构建指南-CSDN博客

本文链接：https://blog.csdn.net/qq_35635374/article/details/138199063

本文系列深入探讨了SLAM（Simultaneous Localization and Mapping）建图技术，涵盖了2D和3D激光雷达、视觉SLAM的建图方法，以及多种开源解决方案的对比。同时介绍了地图类型，如特征点云、矢量、代价栅格地图的构建原理，还涉及到成本地图costmap的生成、vector_map的制作和距离场地图的建立，为自动驾驶和机器人导航提供了详尽的知识框架。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章目录

前言
一、地图的理解及地图的类型介绍
二、地图SLAM构建基础理解
三、构建地图准备
- 点云数据处理
四、构建特征点云地图--2D激光雷达地图构建介绍
- 二维全局地图的开源方案及对比--gmapping、hector、karto、cartographer
五、构建特征点云地图--3D激光雷达地图构建介绍
- 【依赖高精度点云地图和三维激光雷达的定位方案】正态分布变换（NDT）定位及建图
- 三维全局地图的开源方案及对比--NDT、LOAM、LIO-SAM、ALOAM、FLOAM、Lego_loam、SC-Lego-LOAM
六、构建特征点云地图--视觉SLAM介绍
- 视觉SLAM全局地图的开源方案及对比--rgbdslam、ORB_SLAM、RTAB SLAM
七、代价栅格地图costmap的介绍
- 第一章：costmap_2d代价地图生成原理
- 第二章：二维占据栅格地图costmap生成方法及源码解析
八、vector_map矢量化地图的生成
九、通过栅格地图，目标路径（目标点）建立距离场地图
十、autoware高精度地图模块demo
- 十一、【规控+slam】探索建图方案及代码分享
其他知识
- 【地图mapping】视觉SLAM--李群与李代数理论
- 【局部地图建立mapping】PCL点云处理建立局部占据及代价地图的方法
相关技术专栏推荐

前言

在这里插入图片描述
机器人地图建立相关教程及博客请关注专栏：
https://blog.csdn.net/qq_35635374/article/details/138199063

本文先对机器人地图建立导读做个简单的介绍，具体内容后续再更，其他模块可以参考去我其他文章

提示：以下是本篇文章正文内容

一、地图的理解及地图的类型介绍

在一个导航系统中，地图的主要作用是给决策规划提供先验的环境数据，在一个复杂的导航系统中，地图分为多个层级，包括高精度点云图层、语义图层、可视化图层、其他形式图层等。

不同层级的地图存储并更新不同类型的数据，因此不同层级的地图往往使用不同的地图格式，包括特征点云地图、矢量地图、语义地图、二维占据地图、二维代价地图、三维八叉树地图、ESDF Map欧氏距离场地图等等。

总的来说，我们可以认为地图就是一个巨大的数据结构，不同的地图格式本质就是使用不同数据结构存储和更新环境信息。本文先介绍常用的地图格式，了解不同地图格式的特性和功能。针对不同的地图格式，地图的建立和更新方法在下面章节进行介绍。
https://blog.csdn.net/qq_35635374/article/details/120960481

二、地图SLAM构建基础理解

介绍地图构建的相关知识，包括地图模块与感知模块、地图模块与定位模块、地图模块与决策模块、地图模块与路径规划模块的关系和交互，不同模块的交互方式决定了一个导航架构的基本构型，进而影响技术方案和业务效果，所以从地图模块出发理解导航是一个很不错的出发点。

作为引入，可从构建地图的过程比喻、SLAM的实现要解决的问题、SLAM的传感器选型等等方面进行介绍。
https://blog.csdn.net/qq_35635374/article/details/120978752

三、构建地图准备

构建地图需要感知与传感器的支持，简述激光传感器的选型与地图构建的选型问题、与点云数据的后处理问题
https://blog.csdn.net/qq_35635374/article/details/120979417

点云数据处理

1、点云数据密度不规则需要平滑处理
2、去除因为遮挡等问题造成离群点
3、数据量较大，需要进行下采样( Downsample)
4、去除噪声数据。

直通滤波器

作用是在指定的维度方向上保留特定值域内的点，同时过滤掉不在这个范围内的点。这种方法特别适用于消除背景噪声或初步裁剪点云数据集，以限定在特定的感兴趣区域（ROI）内。
https://blog.csdn.net/qq_35635374/article/details/141361362

半径滤波器

用于识别并移除点云数据中离群点的一种有效方法
https://blog.csdn.net/qq_35635374/article/details/141363856

体素滤波器

体素滤波器是一种下采样的滤波器，它的作用是使用体素化方法减少点云数量，采用**体素格中接近中心点的点替代体素内的所有点云，是会移动点的位置。**这种方式即减少点云数据，并同时保存点云的形状特征，在提高配准，曲面重建，形状识别等算法速度中非常实用。
https://blog.csdn.net/qq_35635374/article/details/141333547

均匀采样滤波

相较于体素滤波，均匀采样滤波计算出的最终结果点云，不改变点云点的位置，保持其原始形态。均匀采样滤波因为有质心点复原到体素块这一步，因此速度会比体素滤波更慢些。
https://blog.csdn.net/qq_35635374/article/details/141362926

统计滤波器

统计滤波器用于去除点云数据中离群点的一种滤波方法。它通过统计分析技术来识别并移除那些与周围点距离较远的离群点，这些离群点可能是由于测量误差或其他原因产生的噪声点。
https://blog.csdn.net/qq_35635374/article/details/141363316

条件滤波器

用于根据特定条件筛选点云数据的一种方法。它通过设定一个或多个条件，对点云中的每个点进行评估，仅保留满足这些条件的点。
https://blog.csdn.net/qq_35635374/article/details/141364222

双边滤波器

双边滤波器的工作原理是基于空间邻近度和值相似度的加权平均。它对每个点的邻域内的点进行加权平均处理
https://blog.csdn.net/qq_35635374/article/details/141364500

四、构建特征点云地图–2D激光雷达地图构建介绍

介绍2D激光雷达的构建特征点云地图的相关知识
首先，介绍2D激光SLAM建图算法的发展，依次经历了使用基于滤波器的方法建图、使用基于图优化的方法建图、使用基于已知位姿的方法建图、使用基于激光融合视觉的建图方法等等。
再介绍了SLAM的关键技术，如SLAM建图的输入数据与输出数据、SLAM的后端回环检测方法等等。
https://blog.csdn.net/qq_35635374/article/details/120979524

二维全局地图的开源方案及对比–gmapping、hector、karto、cartographer

依次介绍构建二维全局地图的开源算法方案，包括gmapping算法、hector算法、karto算法、cartographer算法。
分别从算法原理、算法流程、工程框架解析机部署三个方面对上述算法进行详细介绍，最后对2D的SLAM方案进行对比。
https://blog.csdn.net/qq_35635374/article/details/121000952

五、构建特征点云地图–3D激光雷达地图构建介绍

介绍3D激光雷达的构建特征点云地图的相关知识

首先，介绍3D激光SLAM建图算法的发展，依次经历了使用LOAM-纯激光，匀速运动假设，无回环（Lidar Odometry And Mapping(LOAM)）的方法建图、使用V-LOAM-视觉激光融合、漂移匀速假设，无回环的方法建图、使用VELO-视觉激光融合，无运动畸变假设，有回环的方法建图方法等等。

再介绍了SLAM的关键技术，如SLAM建图的输入数据与输出数据、3D激光里程计（作为一个3d建图前端存在的）、3D激光SLAM的前端帧间匹配Tracking方法、3D激光SLAM的后端回环检测方法等等。
https://blog.csdn.net/qq_35635374/article/details/120981832

【依赖高精度点云地图和三维激光雷达的定位方案】正态分布变换（NDT）定位及建图

介绍正态分布变换（NDT）定位及建图的方法，包括正态分布变换（NDT）定位解决的主要问题、正态分布变换（NDT）定位的核心思想、NDT算法流程、NDT配准的C++源码实现。

https://blog.csdn.net/qq_35635374/article/details/121786885

三维全局地图的开源方案及对比–NDT、LOAM、LIO-SAM、ALOAM、FLOAM、Lego_loam、SC-Lego-LOAM

依次介绍构建三维全局地图的开源算法方案，包括NDT算法、LOAM算法、LIO-SAM算法、ALOAM算法、FLOAM算法、Lego_loam算法、SC-Lego-LOAM算法、V-LOAM算法等等，最后对2D的SLAM方案进行对比。

https://blog.csdn.net/qq_35635374/article/details/121002668

六、构建特征点云地图–视觉SLAM介绍

介绍的视觉SLAM构建特征点云地图的相关知识
首先，介绍了视觉SLAM的数学理论，如点与坐标系的位置关系表达的运动学基础、李群与李代数、相机观测模型与非线性优化等等
然后，介绍了视觉SLAM的关键技术，如前端里程计（Visual Odometry）、后端优化（Optimization）、回环检测（Loop Closing）、建图（Mapping）等等。
最后，列举SLAM众多的开源方案类型
https://blog.csdn.net/qq_35635374/article/details/121000052

视觉SLAM全局地图的开源方案及对比–rgbdslam、ORB_SLAM、RTAB SLAM

依次介绍常用的视觉SLAM的开源算法方案，包括rgbdslam算法、ORB_SLAM算法、RTAB SLAM算法
https://blog.csdn.net/qq_35635374/article/details/121003037

七、代价栅格地图costmap的介绍

代价栅格地图costmap是机器人常用与路径规划的地图，本文介绍costmap_2d代价地图生成理论及costmap_2d功能包源码工程解读

第一章：costmap_2d代价地图生成原理

https://blog.csdn.net/qq_35635374/article/details/120874817

第二章：二维占据栅格地图costmap生成方法及源码解析

https://blog.csdn.net/qq_35635374/article/details/120918847

八、vector_map矢量化地图的生成

vector_map矢量化地图常用于车道级的自动驾驶中，本文介绍vector_map矢量化地图的生成方法及步骤，包括传感器采集、vector_map地图构建及服务、地图信息的传递、地图数据包获取等等

https://blog.csdn.net/qq_35635374/article/details/120920983

九、通过栅格地图，目标路径（目标点）建立距离场地图

介绍一种地图转换的案例，把代价栅格地图转化成距离场地图，详细介绍了实现原理及源码实现
https://blog.csdn.net/qq_35635374/article/details/134653666

十、autoware高精度地图模块demo

autoware高精度地图模块为例，介绍导航中式如何构建和使用一个地图模块的。

地图就是一种数据结构，地图格式就是用不同的数据类型和数据结构把地图信息存储起来，所以解析地图必须由标准的地图格式（如把csv转换成ros_topic）

介绍构建高精度地图步骤，包括先通过上文介绍的SLAM方法建立特征点云地图（一般式稠密点云），再通过特征点云地图，标注制作语义信息，构建vector_map语义地图、通过点云地图建立栅格代价costmap地图、最后把特征点云地图、栅格代价costmap地图与vector_map语义地图作为不同层级生成高精度地图等等。

作为扩展，再介绍一些规划用到的地图格式、vector_map语义地图制作工具、栅格地图处理等等拓展
https://blog.csdn.net/qq_35635374/article/details/124539162