ROS2系列教程：SLAM建图（slam_toolbox）

本文是 ROS2 系列教程的第 21 篇

本文是 ROS2 系列教程的第 21 篇：SLAM 建图（slam_toolbox）。前 20 篇我们完成了建模仿真阶段——小车有模型、有物理、有传感器，但“它不知道自己在哪里，也不知道周围长什么样”。SLAM（Simultaneous Localization and Mapping，同时定位与建图）解决的就是这个问题：机器人一边运动，一边用激光雷达扫描周围，同时估计自身位姿并拼接出地图。本篇以 ROS2 最主流的 slam_toolbox 为例：讲透 SLAM 原理、laser_slam 参数、建图流程与地图保存，让你用手上的仿真小车跑出第一张环境地图。地图出炉之日，就是导航（第 23-25 篇）开工之时。

一、SLAM 是什么

1.1 名字拆解

SLAM = Simultaneous Localization And Mapping：

• Localization（定位）：机器人在哪？（估计位姿 x, y, θ）
• Mapping（建图）：周围长什么样？（构建占据栅格地图）
• Simultaneous（同时）：两者互相依赖——建图需要知道位姿，定位需要知道地图。经典“鸡生蛋”问题，SLAM 算法通过概率方法（粒子滤波、图优化）同时求解。

1.2 输入与输出

1
输入：/scan（激光）+ /odom（里程计）+ /tf（odom→base_link）
2
输出：/map（栅格地图）+ /map_metadata + TF（map→odom）

1.3 为什么用激光 SLAM

• 精度高：激光测距毫米级，室内效果极佳。
• 成熟稳定：slam_toolbox、Cartographer、Gmapping 都是久经考验的方案。
• 计算可控：单线激光在普通 CPU 上实时运行。

视觉 SLAM（ORB-SLAM 等）是另一条路线，对算力和光照要求高，机器人导航主流仍是激光。

二、slam_toolbox 快速上手

2.1 安装

1
sudo apt install ros-humble-slam-toolbox
2
# 验证
3
ros2 pkg list | grep slam_toolbox

2.2 最简启动

1
ros2 run slam_toolbox sync_slam_toolbox_node \
2
  --ros-args \
3
  -p use_sim_time:=true \
4
  -p scan_topic:=scan \
5
  -p odom_frame:=odom \
6
  -p map_frame:=map \
7
  -p base_frame:=base_link \
8
  -p mode:=mapping

启动后节点订阅 /scan，结合 TF 树开始建图，并发布 /map。

2.3 在 RViz 中看地图

1
rviz2

RViz 添加：

1. Map（topic /map）：栅格地图，黑色=占据、白色=空闲、灰色=未知。
2. TF：注意多了 map 坐标系。
3. LaserScan：激光数据与地图实时对齐。

控制小车移动，地图逐渐“画”出来——这就是 SLAM 建图的直观体验。

三、laser_slam 配置详解

工程中用 YAML 配置文件管理参数（slam_params.yaml）：

1
slam_toolbox:
2
  ros__parameters:
3
    # ---- 坐标系 ----
4
    map_frame: map
5
    odom_frame: odom
6
    base_frame: base_link
7
    scan_topic: /scan
8

9
    # ---- 建图模式 ----
10
    mode: mapping          # mapping | localization | localization+localization
11

12
    # ---- 激光 ----
13
    max_laser_range: 10.0
14
    min_laser_range: 0.1
15
    transform_tolerance: 0.3
16

17
    # ---- 图优化（核心） ----
18
    minimum_travel_distance: 0.5     # 移动 0.5m 才加入新帧
19
    minimum_travel_heading: 0.5      # 旋转 0.5rad 才加入新帧
20
    loop_match_minimum_chain_size: 10
21
    loop_search_maximum_distance: 3.0
22

23
    # ---- 性能 ----
24
    resolution: 0.05                 # 栅格分辨率（米/格）
25
    throttle_scans: 1                # 每 N 帧处理一帧
26
    update_min_distance: 0.3

3.1 坐标系三件套（必须与你的 TF 树一致）

一致性是 SLAM 能跑通的第一前提：diff_drive 插件发布 odom→base_link，slam_toolbox 需要它。

3.2 mode 的三种模式

第 23 篇 AMCL 定位前，可以先试 slam_toolbox 的 localization 模式。

3.3 关键图优化参数

slam_toolbox 基于图优化：每个位姿是一个“节点”，帧间约束和回环约束是“边”。

回环（loop closure） 是 SLAM 消除累积误差的关键：走回原点时把首尾接上，误差瞬间清零。

四、建图完整流程

4.1 一键启动 launch（recommended）

mapping.launch.py：

1
from launch import LaunchDescription
2
from launch_ros.actions import Node
3
from launch.substitutions import Command
4
import os
5
from ament_index_python.packages import get_package_share_directory
6

7
def generate_launch_description():
8
    pkg_bringup = get_package_share_directory('my_robot_bringup')
9

10
    slam_params = os.path.join(pkg_bringup, 'config', 'slam_params.yaml')
11

12
    slam_toolbox = Node(
13
        parameters=[slam_params],
14
        package='slam_toolbox',
15
        executable='sync_slam_toolbox_node',
16
        name='slam_toolbox',
17
        output='screen')
18

19
    rviz = Node(
20
        package='rviz2',
21
        executable='rviz2',
22
        arguments=['-d', os.path.join(pkg_bringup, 'config', 'slam.rviz')],
23
        output='screen')
24

25
    return LaunchDescription([slam_toolbox, rviz])

配合仿真：

1
# 终端 1：仿真小车
2
ros2 launch my_robot_bringup gazebo.launch.py
3

4
# 终端 2：SLAM 建图 + RViz
5
ros2 launch my_robot_bringup mapping.launch.py

4.2 遥控小车建图

1
ros2 run teleop_twist_keyboard teleop_twist_keyboard

建图口诀：慢速、全覆盖、走回环。

1. 慢速移动（0.2-0.3 m/s），激光才有足够重叠。
2. 沿墙走，让所有区域被扫到。
3. 每走一段返回起点附近，制造回环，消除漂移。

4.3 边建图边看质量

1
# 地图话题频率（应持续更新）
2
ros2 topic hz /map
3

4
# 当前位姿
5
ros2 topic echo /tf --once

RViz 中观察：地图边界是否清晰、墙是否笔直、是否出现重影（回环没闭合的典型症状）。

4.4 保存地图

建图完成后，用 map_saver_cli 保存：

1
# 保存为 map.pgm（图像）+ map.yaml（元数据）
2
ros2 run nav2_map_server map_saver_cli -f ~/maps/my_map

生成两个文件：

• my_map.pgm：栅格图像（黑白灰）。
• my_map.yaml：元数据（分辨率、原点、占用阈值）。

1
image: my_map.pgm
2
resolution: 0.050000
3
origin: [-8.000000, -8.000000, 0.000000]
4
negate: 0
5
occupied_thresh: 0.65
6
free_thresh: 0.196

resolution 必须与 slam_toolbox 的 resolution 一致，否则加载地图会失真。

五、地图坐标系与 TF 树

5.1 建图时的 TF 树

1
map → odom → base_link → lidar_link

• map→odom：由 slam_toolbox 维护（激光匹配修正后的位姿漂移）。
• odom→base_link：由 diff_drive 插件发布（里程计）。
• 其他：robot_state_publisher 发布。

5.2 map 与 odom 的区别

理解：odom 是“猜测我走了多远”，map 是“我在世界哪里”。SLAM 用激光匹配不断修正 map→odom 的偏差。

5.3 常见 TF 错误

1
ros2 run tf2_ros tf2_echo map base_link
2
# 若报 extrapolation，多半是 use_sim_time 没开或 transform_tolerance 太小

六、常见问题与排障

6.1 排查命令三板斧

1
# 1. 激光有没有
2
ros2 topic hz /scan
3

4
# 2. TF 树通不通
5
ros2 run tf2_ros tf2_echo map base_link
6

7
# 3. 地图在不在变
8
ros2 topic hz /map

七、slam_toolbox 与其他 SLAM 对比

入门选 slam_toolbox：参数少、效果好、资料多。进阶需要更高精度或 3D 时再上 Cartographer。

八、小结与下一篇预告

本篇核心：

1. SLAM 本质：同时定位 + 建图，激光 + 里程计 + TF 三输入，地图一输出。
2. slam_toolbox：sync_slam_toolbox_node，YAML 参数，mapping/localization 双模式。
3. 坐标系：map→odom→base_link→lidar_link，一致性是前提。
4. 建图流程：启动仿真 → 启动 SLAM → 慢速全覆盖移动 → 走回环 → 保存地图。
5. 地图产物：map.pgm + map.yaml，resolution 必须一致。
6. 回环闭合是消除累积误差的核心操作。

下一篇进入 Cartographer 建图进阶（第 22 篇）：Google 开源的 Cartographer 精度更高、回环更强，适合大场景和复杂环境。我们会对比它与 slam_toolbox 的差异、配置 2D 建图参数、处理子图（submap）概念。地图越建越好，定位与导航才有好底子。第一张地图已经出炉，接下来就是让精度“更上一层楼”。