Gmapping激光SLAM算法原理与实战部署指南

1. 项目概述

Gmapping作为ROS1环境下最经典的激光SLAM算法之一，至今仍在服务机器人、仓储AGV等领域广泛应用。这个开源算法包实现了基于粒子滤波的2D栅格地图构建，其核心价值在于：仅需单线激光雷达+里程计的基础传感器配置，就能实现实时建图与定位。我在工业巡检机器人项目中多次使用Gmapping，实测在20m×20m场景下，建图精度能达到±5cm级别。

相比HectorSLAM等无里程计方案，Gmapping对运动畸变的补偿更稳定；而与Cartographer等现代算法相比，它的计算资源占用更低（单核CPU即可流畅运行）。本文将拆解其粒子滤波框架、似然场计算等核心原理，并通过Turtlebot3实战演示完整的建图流程。特别会分享激光雷达安装高度、粒子数设置等工程经验参数。

2. 核心原理拆解

2.1 粒子滤波框架

Gmapping的核心是改进的Rao-Blackwellized粒子滤波（RBPF），每个粒子都携带一张独立的地图。其迭代过程分为三步：

1. 运动更新：根据里程计数据扩散粒子

   python复制# 伪代码示例：里程计运动模型
   def motion_model(u, x):
       delta_rot1 = atan2(u[1], u[0]) - x[2]
       delta_trans = sqrt(u[0]**2 + u[1]**2)
       delta_rot2 = u[2] - delta_rot1
       return x + [delta_trans*cos(x[2]+delta_rot1),
                  delta_trans*sin(x[2]+delta_rot1),
                  delta_rot1 + delta_rot2]
   

2. 观测更新：通过激光扫描匹配计算粒子权重

   • 采用似然场（Likelihood Field）模型替代beam-endpoint模型
   • 计算激光点与地图的匹配度时，会考虑传感器噪声（σ通常设0.05m）

3. 重采样：保留高权重粒子，淘汰低权重粒子

   • 使用低方差采样（low variance resampling）避