1. 项目背景与需求分析
在无人驾驶小车的开发过程中，环境感知与地图构建是最基础也是最重要的环节之一。我们团队最近正在为Yahboom智能小车开发一套完整的导航系统，其中2D SLAM（即时定位与地图构建）是核心功能模块。这个项目的目标是建立一个精确的2D环境地图，为后续的路径规划和自主导航提供基础。
经过前期调研，我们确定了几个关键需求：
- 需要构建的是2D栅格地图，而非3D点云地图
- 地图分辨率需要达到5cm/像素的精度
- 系统需要在资源有限的嵌入式平台上运行（4核CPU，4GB内存）
- 支持Yahboom小车标配的RPLIDAR A1雷达（最大扫描点数2020点/圈）
2. SLAM算法选型对比
2.1 候选方案筛选
在ROS 2生态系统中，主流的2D SLAM算法主要有两种：Gmapping和Cartographer。我们首先排除了RTAB-Map这类3D SLAM方案，因为我们的应用场景不需要3D信息，而且3D算法对计算资源的需求明显更高。
2.1.1 Gmapping方案特点
Gmapping是基于粒子滤波的经典SLAM算法，采用Rao-Blackwellized粒子滤波方法。它的工作原理是：
- 每个粒子维护一份独立的地图假设和位姿估计
- 通过激光扫描匹配来更新粒子权重
- 最终选择权重最高的粒子作为地图输出
在实际测试中，我们发现Gmapping有以下特点：
- 在小场景（<10m×10m）中表现稳定
- 对odom里程计的精度依赖较低
- 源码包体积小，编译时间短
2.1.2 Cartographer方案特点
Cartographer是Google开源的SLAM算法，采用基于图优化的方法：
- 前端（Local SLAM）进行扫描匹配，构建局部子图
- 后端（Global SLAM）进行回环检测和全局优化
- 最终输出经过全局优化的高精度地图
我们的测试数据显示：
- 在大场景中（>20m×20m）仍能保持高精度
- 支持自动回环检测，长期建图不漂移
- 默认配置对IMU和odom数据融合效果好
2.2 关键技术指标对比
我们制作了详细的对比表格来评估两种方案：
| 评估维度 | Gmapping | Cartographer |
|---|---|---|
| 算法类型 | 粒子滤波 | 图优化 |
| 回环检测 | 不支持 | 支持 |
| 最大场景尺寸 | <15m×15m | >50m×50m |
| 激光点数限制 | 1440点/圈（超过会崩溃） | 无限制 |
| CPU占用 | 单核30%-50% | 双核40%-60% |
| 内存占用 | 200-400MB（30粒子） | 300-600MB |
| 安装方式 | 需要源码编译 | apt一键安装 |
| 地图精度 | 0.05-0.1m | 0.02-0.05m |
| 开发维护 | 社区维护 | Google官方维护 |
3. 硬件资源评估与优化
3.1 现有硬件配置
我们的开发平台配置如下：
- CPU：AMD Ryzen 7 5800H（8核16线程）
- 内存：3.8GB（实际可用1.1GB）
- Swap空间：3.1GB（可用2.1GB）
- 存储：98GB SSD（已用90GB）
3.2 资源瓶颈分析
3.2.1 内存限制
Gmapping在30个粒子时内存占用约350MB，而Cartographer在默认配置下约450MB。考虑到系统其他进程（如ROS 2节点、GUI等）的内存需求，实际可用内存确实比较紧张。
解决方案：
- 优化SLAM参数减少内存占用
- 增加Swap空间作为缓冲
- 关闭不必要的后台进程
3.2.2 存储空间不足
92%的磁盘使用率会导致编译和运行效率下降，特别是当系统需要频繁读写临时文件时。
清理建议：
code复制sudo apt autoremove
rm -rf ~/.cache/*
删除旧的日志文件（/var/log/）
4. 实际部署方案
4.1 Cartographer部署步骤
经过综合评估，我们最终选择了Cartographer方案。以下是具体部署流程：
4.1.1 安装依赖
bash复制# 安装Cartographer全家桶
sudo apt install ros-humble-cartographer* -y
# 安装Nav2地图服务
sudo apt install ros-humble-nav2-* -y
4.1.2 环境配置
将雷达类型写入.bashrc：
bash复制echo "export LIDAR_TYPE=4ros" >> ~/.bashrc
source ~/.bashrc
4.1.3 启动建图
bash复制ros2 launch yahboomcar_nav map_cartographer_launch.py
4.2 参数调优建议
针对Yahboom小车，我们优化了以下关键参数：
lua复制-- 降低子图数量以减少内存占用
TRAJECTORY_BUILDER_2D.submaps.num_range_data = 50
-- 调整激光扫描范围
TRAJECTORY_BUILDER_2D.min_range = 0.1
TRAJECTORY_BUILDER_2D.max_range = 8.0
-- 优化回环检测参数
POSE_GRAPH.constraint_builder.min_score = 0.65
POSE_GRAPH.optimize_every_n_nodes = 10
5. 建图流程与技巧
5.1 标准建图流程
- 启动建图节点
- 使用游戏手柄控制小车移动
- 建议先沿边界走一圈
- 然后以"之"字形路线覆盖整个区域
- 保存地图
bash复制
ros2 launch yahboomcar_nav save_map_launch.py
5.2 地图质量提升技巧
- 速度控制：建议线速度<0.3m/s，角速度<0.5rad/s
- 覆盖策略：确保每个区域被扫描到3次以上
- 特殊区域处理：
- 玻璃等反光表面需要多次扫描
- 角落区域要特别关注
- 回环检测：当回到起点时，暂停几秒让算法完成优化
6. 常见问题排查
6.1 地图出现重影
可能原因：
- 里程计误差累积
- 雷达数据抖动
解决方案：
- 检查
/odom话题数据是否连续 - 确认雷达安装稳固
- 增加
TRAJECTORY_BUILDER_2D.ceres_scan_matcher的权重
6.2 建图过程中崩溃
可能原因：
- 内存不足
- 雷达数据异常
排查步骤：
bash复制# 查看内存使用
free -h
# 检查雷达数据
ros2 topic echo /scan | head -n 20
6.3 地图保存失败
常见错误：
- Nav2服务未启动
- 存储权限问题
解决方法：
bash复制# 检查Nav2服务
ros2 service list | grep map_saver
# 修改存储权限
sudo chmod -R 777 ~/ydlidar_ws/src/yahboomcar_nav/maps/
7. 性能优化建议
7.1 实时性优化
对于资源受限的平台，可以：
- 降低地图分辨率（0.05m→0.1m）
- 减少子图数量（num_range_data=30）
- 关闭可视化工具
7.2 内存优化
- 限制活动子图数量：
lua复制POSE_GRAPH.max_num_final_iterations = 5 - 使用更轻量的消息类型：
python复制from sensor_msgs.msg import LaserScan
7.3 磁盘优化
- 定期清理ROS 2日志：
bash复制ros2 daemon stop rm -rf ~/.ros/log/* - 使用ramdisk存储临时文件：
bash复制sudo mount -t tmpfs -o size=512m tmpfs /tmp
8. 实际应用效果
经过两周的实际测试，Cartographer在以下场景表现出色：
-
办公室环境（15m×20m）
- 建图时间：约8分钟
- 内存峰值：480MB
- 定位精度：±2cm
-
走廊环境（长30m，宽2m）
- 成功检测到5个回环
- 地图拼接误差<3cm
-
动态环境测试
- 能过滤短暂出现的动态物体
- 对缓慢移动的障碍物有较好鲁棒性
9. 经验总结与建议
在实际部署过程中，我们总结了以下几点经验：
- 雷达安装位置：建议离地高度30-50cm，避免过多地面反射
- 参数调整顺序：
- 先调前端匹配参数
- 再调后端优化参数
- 最后调回环检测参数
- 系统预热：启动后等待1-2分钟让IMU数据稳定
- 数据记录：建议用rosbag记录建图过程，方便问题复现
对于资源特别紧张的平台，可以考虑：
- 使用Gmapping+降采样（但会损失精度）
- 换用更低配的雷达（如1080点/圈的型号）
- 关闭所有非必要ROS节点
最终保存的地图文件包含两个部分：
.pgm：栅格地图图像.yaml：地图元数据
典型的yaml文件内容如下：
yaml复制image: /path/to/map.pgm
resolution: 0.05
origin: [-10.0, -5.0, 0.0]
negate: 0
occupied_thresh: 0.65
free_thresh: 0.25
这套方案已经在我们的Yahboom小车上稳定运行，累计建图面积超过1000平方米，为后续的导航功能打下了坚实基础。