跳转至

SLAM 工程实践手册

引言

将 SLAM 系统从数据集演示部署到真实机器人上需要大量的工程调试工作。本手册总结传感器选型、标定流程、参数调优、回环检测调优、地图管理和导航集成的实践经验，以及常见故障排查方法。

传感器选型

LiDAR 选型

类型 代表产品 线数/FOV 测距范围 价格区间 适用场景
2D 单线 RPLiDAR A2/A3 360° 12–25 m ¥500–2000 室内机器人
2D 单线 Hokuyo UTM-30LX 270° 30 m ¥20,000+ 工业 AGV
3D 机械式 Velodyne VLP-16 16 线 360° 100 m ¥30,000+ 室外移动
3D 固态 Livox Mid-360 非重复扫描 40 m ¥3,000+ 低成本 3D
3D 机械式 Ouster OS1-128 128 线 360° 120 m ¥50,000+ 自动驾驶

相机选型

类型 代表产品 分辨率 帧率 特点
全局快门单目 FLIR Blackfly S 1440p 60 fps VIO 首选
RGB-D Intel RealSense D435i 1280×720 30 fps 内置 IMU
双目 ZED 2 2K 15 fps 长基线，内置 IMU
事件相机 iniVation DAVIS 640×480 >1000 fps（事件） 极端光照、高速

IMU 选型

等级 代表产品 陀螺零偏稳定性 价格 适用
消费级 (MEMS) BMI088, MPU9250 1–10 °/h <¥100 教育、低成本
战术级 (MEMS) ADIS16470 0.1–1 °/h ¥2,000–5,000 机器人、无人机
导航级 光纤陀螺 <0.01 °/h ¥50,000+ 自动驾驶、航空

标定流程

相机-IMU 标定（Kalibr）

# 1. 录制标定数据
# 手持相机+IMU 面对标定板，做丰富的旋转和平移运动
ros2 bag record /camera/image_raw /imu/data -o calib_bag

# 2. 准备标定板配置文件 (april_grid.yaml)
# target_type: 'aprilgrid'
# tagCols: 6
# tagRows: 6
# tagSize: 0.088    # 标签边长 (m)
# tagSpacing: 0.3   # 标签间距比

# 3. 准备 IMU 噪声参数文件 (imu.yaml)
# rostopic: /imu/data
# update_rate: 200
# accelerometer_noise_density: 0.01    # m/s^2/sqrt(Hz)
# accelerometer_random_walk: 0.0002
# gyroscope_noise_density: 0.005       # rad/s/sqrt(Hz)
# gyroscope_random_walk: 3.0e-05

# 4. 运行标定
rosrun kalibr kalibr_calibrate_imu_camera \
    --target april_grid.yaml \
    --cam cam.yaml \
    --imu imu.yaml \
    --bag calib_bag.db3 \
    --bag-freq 20

标定质量检查：

  • 重投影误差应 < 0.5 像素
  • IMU 残差应无明显趋势
  • 外参结果应与物理测量一致（粗略验证）

LiDAR-IMU 外参标定

多数 LiDAR SLAM 系统（如 LIO-SAM）要求精确的 LiDAR-IMU 外参。实践中常用方法：

  1. CAD 测量：从机械图纸获取粗略外参
  2. 手动调整：运行 SLAM，观察点云对齐情况，微调旋转参数
  3. 自动标定：使用 LI-Init 等自动标定工具

参数调优

室内环境

# Cartographer 2D 室内调优
TRAJECTORY_BUILDER_2D.min_range = 0.2        # 过滤近距离噪声
TRAJECTORY_BUILDER_2D.max_range = 20.0       # 室内不需要太远
TRAJECTORY_BUILDER_2D.missing_data_ray_length = 5.0
TRAJECTORY_BUILDER_2D.num_accumulated_range_data = 1
TRAJECTORY_BUILDER_2D.use_imu_data = true

# 子地图参数
TRAJECTORY_BUILDER_2D.submaps.num_range_data = 90  # 子地图大小
TRAJECTORY_BUILDER_2D.submaps.grid_options_2d.resolution = 0.05  # 5cm 分辨率

# 回环检测
POSE_GRAPH.optimize_every_n_nodes = 90
POSE_GRAPH.constraint_builder.min_score = 0.55     # 匹配阈值
POSE_GRAPH.constraint_builder.global_localization_min_score = 0.6

室外环境

# LIO-SAM 室外调优 (params.yaml)
lio_sam:
  ros__parameters:
    # LiDAR 参数
    N_SCAN: 16             # VLP-16 线数
    Horizon_SCAN: 1800     # 水平分辨率
    downsampleRate: 1

    # IMU 参数
    imuAccNoise: 3.9939570888238808e-03
    imuGyrNoise: 1.5636343949698187e-03
    imuAccBiasN: 6.4356659353532566e-05
    imuGyrBiasN: 3.5640318696367613e-05
    imuGravity: 9.80511

    # 里程计参数
    edgeFeatureMinValidNum: 10    # 最少边缘特征数
    surfFeatureMinValidNum: 100   # 最少平面特征数

    # 回环检测
    loopClosureEnableFlag: true
    loopClosureFrequency: 1.0     # Hz
    surroundingKeyframeSearchRadius: 50.0  # 搜索半径 (m)
    historyKeyframeSearchNum: 25

    # GPS 融合
    useGpsElevation: false
    gpsCovThreshold: 2.0   # GPS 协方差阈值

地下/矿井环境

地下环境特殊挑战：无 GPS、重复结构、灰尘干扰。

关键调整：

  • 增大特征提取密度
  • 关闭 GPS 相关模块
  • 增大回环检测搜索范围
  • 降低回环匹配阈值（更积极地尝试回环）
  • 使用 IMU 预积分抵消 LiDAR 退化

回环检测调优

回环检测方法对比

方法 输入 优点 缺点
DBoW2 视觉特征 成熟、快速 依赖视觉
Scan Context LiDAR 点云 旋转不变、视角不变 需要 3D LiDAR
ICP 验证 点云 精确对齐 计算量大
RING LiDAR 点云 快速、鲁棒 较新

回环闭合的影响

回环检测参数过松会导致错误回环（False Positive），表现为地图突然扭曲变形。过严则无法修正漂移。

建议策略：

  1. 初始运行时关闭回环检测，观察里程计漂移程度
  2. 启用回环，从高阈值开始逐步降低
  3. 观察优化后的轨迹是否合理
  4. 如果出现错误回环，提高匹配阈值或增加 ICP 验证

地图管理

地图保存与加载

# Cartographer: 保存 .pbstream 地图
ros2 service call /write_state cartographer_ros_msgs/srv/WriteState \
    "{filename: '/maps/building_1f.pbstream'}"

# RTAB-Map: 保存数据库
# 默认保存在 ~/.ros/rtabmap.db
# 加载时指定数据库文件

# Nav2: 保存 2D 栅格地图
ros2 run nav2_map_server map_saver_cli -f /maps/building_1f
# 生成 building_1f.yaml + building_1f.pgm

地图更新策略

  • 完全重建：简单直接，适合环境变化较大时
  • 增量更新：在已有地图基础上添加新区域（RTAB-Map 原生支持）
  • 多层地图：不同时期的地图作为不同层，运行时选择最匹配的层

与导航栈集成

# nav2_params.yaml 中的定位配置
amcl:
  ros__parameters:
    use_sim_time: false
    alpha1: 0.2    # 旋转对旋转的噪声
    alpha2: 0.2    # 旋转对平移的噪声
    alpha3: 0.2    # 平移对平移的噪声
    alpha4: 0.2    # 平移对旋转的噪声
    base_frame_id: "base_link"
    global_frame_id: "map"
    laser_model_type: "likelihood_field"
    max_particles: 2000
    min_particles: 500
    update_min_a: 0.2   # 最小旋转更新阈值 (rad)
    update_min_d: 0.25  # 最小平移更新阈值 (m)

TF 树

SLAM 系统与导航栈通过 TF 变换连接：

map → odom → base_link → sensors
 ↑      ↑
SLAM  里程计
(或 AMCL)

确保 TF 树中没有重复的发布者（常见错误：robot_localization 和 SLAM 同时发布 odom → base_link）。

常见故障排查

故障现象 可能原因 排查与修复
建图开始即漂移 IMU 轴向配置错误 检查 IMU 安装方向与配置一致
旋转时地图变形 LiDAR-IMU 外参旋转分量错误 重新标定或手动调整
回环后地图扭曲 错误回环检测 提高匹配阈值
长走廊漂移 几何退化（平行墙面） 启用 IMU 辅助、增大特征搜索范围
点云不对齐 时间同步问题 检查时间戳，使用硬件同步
内存持续增长 关键帧未清理 配置最大关键帧数或滑窗大小
开门/关门后定位丢失 环境变化超出容忍范围 使用 AMCL 全局重定位

参考资料

  1. Furgale, P., Rehder, J., & Siegwart, R. (2013). Unified Temporal and Spatial Calibration for Multi-Sensor Systems. IROS.
  2. Kalibr 标定工具包：https://github.com/ethz-asl/kalibr
  3. Cartographer 调优指南：https://google-cartographer-ros.readthedocs.io/en/latest/tuning.html
  4. LIO-SAM 项目：https://github.com/TixiaoShan/LIO-SAM
  5. Navigation2 文档：https://docs.nav2.org/
  6. Kim, G., & Kim, A. (2018). Scan Context: Egocentric Spatial Descriptor for Place Recognition within 3D Point Cloud Map. IROS.