上周有个朋友跟我吐槽他用 gmapping 在厂房里建图来回走了三圈地图已经歪得没法看了明明走的是直线地图上却画出了一道弧线。这个场景我太熟了早期做室内移动机器人导航gmapping 确实能快速出图但只要环境稍大、回环一多误差就会一路累积最后地图直接“撒谎”。后来我把方案换成 slam_toolbox第一次跑完一个 80 米周长的大车间地图闭合得严丝合缝那种感觉确实不一样。这篇就把我实际用 slam_toolbox 的经验完整整理一下包含原理、安装、配置、建图操作、地图复用以及我踩过的坑。无论你刚接触 2D SLAM还是已经在用 gmapping 想换方案这篇都能给你一份可直接落地的参考。1. 为什么建图时我弃用了 gmapping转向 slam_toolbox1.1 一个让我换工具的真实场景之前接手过一个仓储机器人项目现场是一个几千平米的仓库货架排列规则通道笔直。用 gmapping 建图时前 200 米轨迹还正常越往后越不对劲——明明走了个矩形回路地图上的走廊却在接缝处错开了半米多。问题的根源在于 gmapping 的算法本质。它基于 Rao-Blackwellized 粒子滤波每个粒子维护一份地图和轨迹但它的核心问题是一旦粒子的位姿被估计出来历史轨迹不会因为后续的观测而被重新修正。也就是说机器人转角处的漂移会直接写进地图里后面无论怎么走错位都改不回来。它对回环loop closure几乎没有真正的利用能力只是靠粒子多样性硬撑。1.2 slam_toolbox 到底强在哪slam_toolbox 继承自斯坦福的 Karto SLAM 开源项目后来由 Steve Macenski 持续维护进入了 ROS 生态的核心工具链。它不是简单的“另一个 gmapping”而是在架构上有本质区别后端是图优化Graph Optimization把每个关键帧激光位姿当成节点节点之间的相对约束当成边。一旦检测到闭环优化器会对整个轨迹做一次全局调整把累积漂移“拉”回来。有真正可用的闭环检测当前激光扫描到达历史区域时会在一个搜索窗口里做相关匹配找到置信度足够高的匹配结果后就形成闭环约束。支持地图序列化可以把带图信息的位姿图保存到磁盘下次直接加载。这意味着一张建好的地图可以用于纯定位模式也能在已有地图上继续拓展建图。支持 3D 点云投影成 2D 激光使用对于只有深度相机的机器人也能把点云压成 laser scan 送进 slam_toolbox。我刚开始迁移的时候最大的感受就是“不用再反复清空地图重来”。gmapping 建错了只能从头跑slam_toolbox 发现问题后可以用闭环修正效率完全不是一个量级。1.3 适合谁来用如果你满足下面任意一条slam_toolbox 基本是 2D 激光 SLAM 的首选环境在 1000 平米以上存在明显的回环路径需要长时间建图地图需要反复更新已经有建好的地图想在同样环境中做纯定位不想重新建图使用 3D 相机或 2D 激光雷达想做稳定可靠的室内导航。如果你的场景只是几平米小桌面或者激光数据噪声极大那 gmapping 简单直接也够用。但正常机器人项目直接上 slam_toolbox 通常不会后悔。2. slam_toolbox 背后的机制图优化、闭环与序列化到底做了什么2.1 前端扫描匹配每一帧激光如何对齐到地图SLAM 可以拆成前端和后端两个部分。前端解决的是“我当前这一帧激光应该放在地图哪个位置”的问题。slam_toolbox 的前端采用相关性扫描匹配Correlation Scan Matching。名字听着复杂思路很朴素把当前激光扫描数据丢到一个小范围的搜索空间里按照不同位姿偏移去比对“如果我把这帧数据放在这个位置它和已有地图的重合度是多少”然后选择重合度最高的位姿作为当前帧的位置。当然它不会一秒内尝试几十万个位姿而是用了两级搜索策略粗搜索在较大搜索空间里用较低分辨率快速定位大致区域找到响应值最高的方向细搜索在粗搜索结果附近用更高分辨率比如 0.01 米级别精细扫描得到更准确的位姿估计。这里的“响应值”可以理解成激光点压在地图障碍物上的匹配得分。得分越高说明当前位置假设越可信。同时扫描匹配会使用里程计odom作为运动预测的初始值所以 odom 的话题和 TF 树必须正确。odom 短时间内有漂移没关系因为匹配算法会修正但如果 odom 一开始就跳变前端匹配就容易跟丢。2.2 后端图优化闭环是如何把地图“掰直”的图优化部分其实是 slam_toolbox 最值钱的地方。每次加入一个新的激光关键帧它会和之前的帧建立两类约束里程计约束相邻两帧之间由 odom 推算出的相对位姿变化表示“我认为我从 A 走到了 B”。闭环约束当机器人回到之前去过的地方扫描匹配发现当前帧和历史帧高度一致就把当前位姿和历史位姿“绑”在一起表示“我认为我回到了 A”。这些约束共同构成一个图结构而图优化的目标就是找到一组节点位姿让所有约束的误差总和最小。闭环检测触发后优化器会把闭环两端的位置对整齐同时影响附近的路径这就是为什么你会在 rviz 里看到地图“突然动了一下”——那是优化器在调整历史位姿。需要注意的一点是闭环检测不是每次都触发它有几个前提当前帧附近的历史关键帧链足够长默认要连续匹配到一定数量的帧才会形成闭环候选当前的扫描与该区域的粗匹配响应值超过阈值搜索空间没有超出设定的最大距离范围。2.3 序列化机制为什么能保存加载地图这是 slam_toolbox 区别于 gmapping 的一个杀手锏特性。gmapping 保存地图就是导出一张 pgm 图片但图片不包含任何位姿信息、地图的拓扑结构或者闭环约束信息。下次再用这张图只能用于导航不能继续建图也不能在上面做“带图优化的定位”。slam_toolbox 的序列化机制会保存两部分.posegraph文件包含机器人的历史轨迹位姿、节点和边的连接关系.data文件包含地图本身的栅格数据和相关元信息。加载序列化地图后系统会自动重建之前的图结构你可以在原有基础上继续进行建图。这意味着建图任务可以分段完成今天建 A 区域保存明天加载后去建 B 区域两个区域会在同一张地图上无缝融合。2.4 3D 点云投影只有相机也能用很多用户没有激光雷达只有 RGB-D 相机。slam_toolbox 官方包中提供了将 depth image 投影成 2D laser scan 的工具原理是把点云按照高度范围比如地面以上 0.2 米到 0.8 米过滤然后把障碍物投影到水平面模拟激光扫描。这个功能在日常实验里非常实用但要注意相机 FOV 有限投影出来的“雷达”水平范围比真激光窄很多建图时更容易丢失特征回环检测也更困难。所以有条件的项目还是优先用真 2D 激光只有相机时则要控制好移动速度多走重复路径。3. 从安装到能跑launch 文件、TF 树和话题的准备工作3.1 安装二进制包最省心ROS 1 的 Noetic 和 ROS 2 的 Foxy/Humble 都支持 slam_toolbox。Ubuntu 20.04 Noetic 环境直接安装sudo apt install ros-noetic-slam-toolbox如果你的发行版是 ROS 2sudo apt install ros-foxy-slam-toolbox # 或者 sudo apt install ros-humble-slam-toolbox一般项目直接用 apt 二进制包就够了没必要源码编译。但如果需要修改算法内部逻辑或者调试可以源码编译git clone https://github.com/SteveMacenski/slam_toolbox.git cd ~/catkin_ws/src catkin build slam_toolbox源码编译主要的价值是你可以打开调试日志甚至修改闭环搜索范围但对大多数使用者来说二进制包功能完整推荐先用它跑通流程。3.2 最小 launch 文件与参数文件slam_toolbox 使用起来非常模板化一个最小可用的 launch 文件如下launch node pkgslam_toolbox typeslam_toolbox_node nameslam_toolbox outputscreen rosparam commandload file$(find your_robot_navigation)/config/slam_toolbox.yaml/ /node /launch对应的 yaml 配置文件至少要包含以下内容solver_plugin: solver_plugins::SlamToolboxSolver resolution: 0.05 max_laser_range: 12.0 odom_frame: odom map_frame: map base_frame: base_link scan_topic: /scan mode: mapping这些字段的含义solver_plugin图优化求解器默认是SlamToolboxSolver通常无需改动resolution地图分辨率0.05 表示每像素占 5 厘米这是导航建图最常用的值max_laser_range激光最大有效距离建议设置为雷达实际量程的 80% 左右太远的数据噪声大odom_frame / map_frame / base_frame坐标系名称必须和你的机器人 TF 树严格一致scan_topic2D 激光话题名mode运行模式可选mapping全新建图、localization加载地图定位、continuous持续建图。如果机器人只有 3D 深度相机可以先用官方提供的点云投影节点把点云转成 laser scan再喂给 slam_toolbox。3.3 TF 树与话题检查slam_toolbox 自己不发布 odom 到 base_link 的变换它只负责发布 map 到 odom 的变换。所以启动之前你必须有一个基础控制器节点发布odom - base_link雷达驱动或外参标定发布base_link - laser如果有 IMU一般也要接入base_link - imu_link但 slam_toolbox 本身不要求 IMU。建图前建议用下面命令检查 TF 树是否完整rosrun tf view_frames再用rqt_tf_tree确认。我在实际项目中见过最多的问题就是base_link和laser坐标系写反、或者 odom 帧缺失导致 SLAM 启动后地图乱跳。还要确认/scan话题频率稳定。2D 激光一般要求 10Hz 以上如果掉到 5Hz 以下前端匹配会很难收敛。用rostopic hz /scan可以看到实际频率。4. 在线建图实战怎么推车、怎么触发闭环、怎么判断地图质量4.1 启动与观察清单配置完成后启动 launch 文件然后打开 rvizroslaunch your_robot_navigation slam_toolbox.launch rviz -d rviz_slam_config.rviz在 rviz 中需要添加Maptopic 选择/map显示地图栅格LaserScantopic 选择/scan直观看到激光与地图对齐情况TF显示坐标系关系。启动后如果一切正常你会看到/map从空白开始逐渐增长激光点紧贴着地图边界移动。如果激光点和地图边缘出现“错位”或“飘移”说明当前帧匹配出了问题首先要检查 odom 和激光外参。4.2 控制策略推车是门技术活机器人建图不只是“跑一圈”那么简单移动方式直接决定地图质量。我总结了几条实操经验速度不要拉满遥控时线速度不超过 0.5 m/s角速度不超过 0.5 rad/s。低速情况下激光帧间距更密扫描匹配更容易成功。避免长时间原地旋转原地旋转虽然能扫描到周围环境但对前端匹配的约束能力很弱。如果必须旋转转完后要平移一段距离让匹配重新收敛。多走重复路径闭环检测的本质是“回到过去去过的地方”。有意设计路径让新路径和旧路径在某些区域重叠比如画“8”字形路线、走回字形路线。不要频繁倒车急转弯倒车时雷达视角和前进时不同匹配容易退化。保持朝向一致让机器人流畅完成转弯。如果你用 XBOX 手柄或键盘遥控建议开启平滑控制不要突然推最大速度。我用键盘 teleop 时有个习惯先小幅加速转弯时点按转向键而不是一直按住这样轨迹更平滑。4.3 如何确认闭环被触发很多新手建完图发现地图闭合不上但不知道问题出在哪。其实 slam_toolbox 的日志信息里就有明显线索。启动节点的终端窗口里如果出现类似下面的输出说明闭环触发成功Loop closure found, updating graph... Loop closure accepted.在 rviz 中还可以观察/slam_toolbox/graph的 MarkerArray 可视化闭环成功后地图会发生整体微调物体会“平移”一小段距离这是节点位姿被优化器统一调整的正常现象不要把它当成故障。重要判断标准地图闭合成功时接缝处的走廊两侧应该对齐墙线连续不会出现一条墙“错成两截”的情况。如果接缝处明显错位通常是闭环匹配响应不够高可以去调loop_match_minimum_response_fine参数或者检查建图路径是否重叠太少。4.4 地图发布的节奏与卡顿处理slam_toolbox 默认map_update_interval参数控制/map发布频率默认大概 5 秒发布一次更新。这个值会显著影响 CPU 占用尤其是在地图变大之后。如果你在 rviz 里觉得地图刷新太慢可以适当调小这个值到 2-3 秒但要注意 CPU 占用会增加。反过来如果你用性能较弱的工控机建议调大到 10 秒建图优先保证实时性地图更新慢一点没关系。另一个容易忽略的参数是throttle_scans。这个值表示每多少帧激光才处理一次。默认是 1也就是每一帧都处理。如果激光频率 40Hz、机器人运行平稳设成 2 可以有效降低 CPU 消耗对建图质量影响很小。5. 核心参数逐条拆解一份可以照抄的调参模板5.1 模式与坐标系相关参数这部分参数如果配错系统基本跑不起来重要性最高。参数典型值说明solver_pluginsolver_plugins::SlamToolboxSolver求解器类型使用默认即可resolution0.05地图分辨率米/像素导航通用为 0.05max_laser_range12.0激光最大有效距离建议小于雷达实际量程odom_frameodom里程计坐标系map_framemap地图坐标系base_framebase_link机器人基座坐标系scan_topic/scan激光话题名modemapping运行模式mapping/localization/continuous注意如果机器人有多层 TFbase_frame必须是激光坐标系所在机器人的根坐标系而不是某个 sensor 的 frame。比如激光装在laser_link那就需要base_link - laser_link的外参变换。5.2 扫描匹配与闭环检测参数这些参数决定建图精度与闭环能力是调参的核心区域。参数典型值作用loop_match_minimum_chain_size10触发闭环所需的最小连续匹配关键帧数。值越小越容易触发闭环但误检增加loop_match_maximum_variance_coarse3.0粗搜索窗口允许的最大方差限制搜索范围loop_match_minimum_response_coarse0.35粗匹配最低响应阈值低于该值不认为有闭环候选loop_match_minimum_response_fine0.45细匹配最低响应阈值是闭环是否接受的最终判据loop_search_maximum_distance3.0搜索闭环时在当前位姿周围多大范围内寻找历史帧。环境越大越需要调大correlation_search_space_dimension0.3相关性搜索空间的边长米。值过小可能导致匹配不足过大则计算量大correlation_search_space_resolution0.01搜索分辨率0.01 米精度已经足够correlation_search_space_smear_deviation0.03对地图高斯模糊的标准差用于增加匹配鲁棒性这里我最常调的是loop_match_minimum_response_fine。如果建图时闭环一直触发不了可以把它从 0.45 降到 0.35 左右如果误闭环导致地图突然扭曲则要往高调到 0.55。这个值本质上是“接受闭环的最低信心门槛”调高更保守调低更激进。loop_search_maximum_distance也需要注意它控制搜索半径。在特别大的环境里如果这个值太小几何上就没有机会搜索到远处的历史帧闭环自然无法形成。我一般至少设成 3.0大场景甚至会调到 5.0 以上。5.3 关键帧过滤与资源控制参数slam_toolbox 不会对每一帧激光都建立节点它有一套关键帧过滤机制。常用参数如下参数典型值作用minimum_travel_distance0.5机器人平移至少多少米才新增一个关键帧minimum_travel_heading0.5机器人旋转至少多少弧度才新增关键帧scan_buffer_size720保存历史激光帧的缓冲区大小地图越复杂越大scan_buffer_maximum_scan_distance10.0关键帧超出多少米后从缓冲区移除map_update_interval5.0/map发布间隔秒minimum_scan_add_interval0.1两帧加入图结构之间的最短时间间隔throttle_scans1每 N 帧处理一次激光minimum_travel_distance和minimum_travel_heading决定关键帧密度。如果地图特征稀疏比如一条长走廊里没有任何柱子或者开口激光扫描看起来都差不多这时候就需要适当减小关键帧间距比如从 0.5 降到 0.2否则匹配会退化地图可能出现重影。scan_buffer_size默认 720但我建议在内存充足的机器上至少设到 1500-2000。它决定了闭环检测时能回溯多远的历史值越大闭环能力越强但内存占用也随之增长。5.4 一套可直接复用的配置模板下面是我在室内移动机器人上常用的完整配置可以直接复制修改solver_plugin: solver_plugins::SlamToolboxSolver resolution: 0.05 max_laser_range: 12.0 odom_frame: odom map_frame: map base_frame: base_link scan_topic: /scan mode: mapping map_update_interval: 3.0 minimum_travel_distance: 0.4 minimum_travel_heading: 0.5 minimum_scan_add_interval: 0.1 loop_match_minimum_chain_size: 10 loop_match_maximum_variance_coarse: 3.0 loop_match_minimum_response_coarse: 0.35 loop_match_minimum_response_fine: 0.45 loop_search_maximum_distance: 4.0 correlation_search_space_dimension: 0.3 correlation_search_space_resolution: 0.01 correlation_search_space_smear_deviation: 0.03 scan_buffer_size: 1500 scan_buffer_maximum_scan_distance: 15.0 throttle_scans: 1 transform_publish_period: 0.02这套配置在 5000 平米内的室内环境表现稳定。如果你的环境特别空旷注意观察走廊和拐角处是否有短时间“重影”此时优先调整minimum_travel_distance和correlation_search_space_dimension而不是直接放弃。6. 地图保存与复用save_map、序列化和三种运行模式怎么选6.1 保存 pgm/yaml 格式导航地图建完图后最直接的需求就是把地图导出来给 navigation stack 用。slam_toolbox 的save_map服务可以把当前地图保存为标准 pgm/yaml 格式rosservice call /slam_toolbox/save_map {}默认会保存在~/.ros/目录下生成map.pgm和map.yaml。你也可以通过修改 launch 中的map_file_name参数指定保存路径。我碰到过一个小坑save_map保存出来的 pgm 文件如果是全黑或者没有数据先检查启动 slam_toolbox 时有没有设置map_file_name。如果设置了保存时可能会走到别的逻辑。正确做法是清空该参数后再调用保存。pgm/yaml 是导航的标准格式move_base 的 map_server 可以直接加载node pkgmap_server typemap_server namemap_server args$(find your_robot)/maps/map.yaml/6.2 序列化保存比图像多保存了位姿图如果你之后还想用同一张地图做 localization 或 continuous 模式那就不能只保存 pgm要用序列化接口rosservice call /slam_toolbox/serialize_map {}执行后同样会保存在~/.ros/下生成两个文件比如map.posegraph和map.data。这两个文件本质上是一个“活地图”包含了轨迹节点、约束关系、栅格数据等加载后就能重建完整的图结构。需要注意序列化文件和 pgm 文件是不同的东西不要混淆。pgm 只是结果图无法恢复图结构.posegraph和.data才是 slam_toolbox 能继续使用的核心资产。6.3 localization 模式加载地图做纯定位当机器人已经在一个环境里完成建图后续不需要扩展地图时可以用 localization 模式。配置如下mode: localization map_file_name: /home/user/maps/map.posegraph map_start_pose: [0.0, 0.0, 0.0]启动后slam_toolbox 会加载.posegraph和.data文件机器人初始位姿由map_start_pose指定。它不再更新地图只输出map - odom的变换相当于一个激光定位器。localization 模式最大的优点是在结构化环境中定位精度高不容易出现 AMCL 那种“粒子绑架”问题。但它也有一个很明显的前提机器人必须从指定初始位姿附近启动。如果初始位姿给得偏差太大扫描匹配会在一开始就失配定位直接失败。另一个局限是地图范围固定。机器人一旦被推到地图边界之外激光扫描找不到任何可匹配特征定位就会丢失。所以 localization 模式适合固定工作区域的机器人不适合“不断进入新环境”的场景。6.4 continuous 模式在已有地图上继续建图continuous 模式可以理解成 localization mapping 的结合体。它加载已有地图同时允许在探索新区域时扩展地图。mode: continuous map_file_name: /home/user/maps/map.posegraph map_start_pose: [0.0, 0.0, 0.0]这种模式最适合分段建图第一天建完 A 区和 B 区保存第二天机器人加载地图继续建 C 区C 区会被无缝接进同一张地图里。对大面积工厂、仓库这类场景是刚需功能。不过 continuous 模式对地图加载状态比较敏感如果加载的地图质量很差后续新增区域容易错位。建议在加载后先花 1-2 分钟运动一小段在地图上观察激光贴合情况确认状态良好后再开始大规模建图。6.5 三种模式切换的实际经验我自己的使用习惯是项目中同时准备两套 launch 文件一套 mapping 模式用于初始建图另一套 localization 模式用于日常运行。需要扩展地图时再单独启动一套 continuous 模式的 launch。在这几种模式间切换时最核心的一点是地图文件一定用序列化保存的版本不要临时用 pgm 转来转去。pgm 只适合最终交付给纯导航使用结构化信息缺失会导致加载失败。7. 高频踩坑实录定位丢失、地图闪退、闭环不触发的排查链路7.1 加载序列化地图后rviz 里地图闪一下就没这是我在论坛和群里见过最多的问题。现象是launch 文件用 localization 模式加载地图启动后 rviz 里地图短暂出现然后消失或者根本没有显示。排查链路如下先确认加载文件路径正确。.posegraph文件是否存在文件权限是否正确。确认参数名写的是map_file_name不是map_filename拼写错误不会报错但地图不会加载。最关键的一步确认map_start_pose是否贴近真实启动位置。很多情况下地图已经加载了但因为初始位姿偏离巨大扫描匹配在开始阶段直接把雷达状态判断为“无法匹配”所以地图不出现。把map_start_pose设置成你保存地图时的起始坐标通常问题立刻消失。第二种情况我建议先把机器人放到一个特征明显的墙角再给定初始位姿成功率会高很多。7.2 闭环检测一直不触发地图在回环处错位如果你走完一个回环地图接缝处有明显错位而且日志里一直没有出现“Loop closure found”说明闭环检测没有形成有效约束。排查链路确认闭环搜索距离够不够把loop_search_maximum_distance从 3.0 加到 5.0地图大的时候甚至可以到 8.0。降低匹配接受阈值把loop_match_minimum_response_fine从 0.45 降到 0.35同时调低loop_match_minimum_response_coarse到 0.3。如果地图立刻出现“突然挪动”甚至扭曲说明检测到了闭环但误检偏多再适当回调阈值。检查路径是否真的形成了重叠。很多人觉得“我明明绕了一圈”但路径在空间上相距 1 米以上扫描重叠区域太小闭环就很难匹配。建图时尽量让新路径和旧路径在物理距离上靠近。确认激光的有效量程没有缩水。雷达驱动如果设置了过小的范围限制比如 5 米远距离几何特征丢失闭环匹配会非常困难。7.3 地图保存后是黑色或残缺save_map保存出来的地图是空图通常是因为地图被清空或者激光数据没有真正进入 slam_toolbox。排查链路先确认 rviz 中的/map是否有完整地图。如果 rviz 里显示就残缺说明建图过程本身有问题不是保存环节的问题。检查/scan话题是否有数据。用rostopic echo /scan输出一帧确认range_min和range_max范围。考虑是不是max_laser_range设置过小。如果雷达量程 30 米你设成 5 米远处的墙全部变成空白地图自然残缺。保存动作本身通常不会丢失地图数据更多是上游数据问题。7.4 CPU 占用过高建图卡顿地图大了之后每帧激光都参与匹配计算量会明显上升。排查和优化方向如下把throttle_scans从 1 改成 2让输入帧率减半把map_update_interval从 3.0 改成 10.0降低地图发布频率调低scan_buffer_size比如从 2000 降到 1000减少闭环搜索的历史帧数量检查激光驱动话题发布频率如果雷达本身 40Hz降频效果最明显。我把一个 20Hz 激光的 CPU 占用从 60% 降到了 25%就是同时调了 throttle_scans 和 map_update_interval建图质量几乎没有变化。7.5 定位模式下机器人一动就丢localization 模式下机器人可能静止时定位正常一动就完全丢失。这个问题我在不同机器人上遇到过好几次原因各不相同tF 频率不稳定odom - base_link如果发布频率过低低于 20Hz运动中的预测误差会快速累积。检查rostopic hz /tf。odom 坐标系跳变有些机器人底盘启动时会自动把 odom 里程清零如果 SLAM 启动的瞬间 odom 跳变了一大截前端匹配会崩溃。解决方式是把 slam_toolbox 的启动顺序放到底盘发布 odom 稳定之后。map_start_pose与实际方向偏差过大theta 给反了 90 度静止时靠反复匹配勉强稳住一动就彻底失配。定位模式是一项“考验工程细节”的工作它不要求里程计多准但要求话题和 TF 的节奏足够稳定。8. 选型建议slam_toolbox、gmapping、cartographer 到底用哪个8.1 三者的本质区别很多新手会在这三个方案之间纠结我用一个表格说清楚对比项gmappingslam_toolboxcartographer核心算法粒子滤波图优化 闭环检测图优化 子图闭环闭环修正能力无强强地图复用仅图片序列化完整复用序列化支持较弱参数复杂度简单中等较高适合环境小场景、低要求室内 2D 激光标配大场景、3D、多传感器融合长时间建图稳定性差好好上手难度极低低中等偏上gmapping 的优势只剩“简单”和“考古级稳定”但一旦环境超过几百平米误差累计会变得很明显。cartographer 在复杂环境和多传感器融合上确实更强但调参成本和工程复杂度明显更高光是理解它的 local SLAM 和 global SLAM 分层结构就需要不少时间。8.2 我的个人选择标准从我做过十几个真实项目的经验看选型逻辑其实非常简单如果只是 2D 激光 室内导航无脑 slam_toolbox。它和 navigation stack 配合最省心官方维护活跃资料多问题好查。如果传感器是 3D 激光雷达、或者环境高度动态、或者需要多楼层建图再考虑 cartographer。它的 submap 机制对大场景和 3D 数据的处理更完善。gmapping 我只在两种情况下会用一是做演示 Demo 时间极紧二是环境极小比如几十平米不需要闭环。如果你的项目涉及多个机器人协作建图slam_toolbox 也有对应的分布式建图方案但那是相对进阶的玩法。8.3 一个建议的上手路径如果你刚开始做机器人导航我建议先按下面的路径走能少走很多弯路用官方 launch 文件跑通 slam_toolbox 的 mapping 模式用 rosbag 录制一段真实环境数据离线回放建图。这样你可以反复调参数不用每次推着机器人跑调通闭环检测确认地图接缝无错位用 serialize_map 保存地图再切换到 localization 模式验证定位最后再接入 move_base 做导航测试。建图调参阶段我强烈建议先录 bag 而不是让机器人实体跑。修改参数后重放 bag 只要几秒实体测试却要推着机器人再走十分钟效率差别非常大。录 bag 时记得用--clock和use_sim_time来保证时间戳同步rosbag record -O map_build.bag /scan /tf /tf_static /odom回放rosparam set /use_sim_time true rosbag play map_build.bag我最初几次建图失败都是因为现场参数没记录全回放时缺了话题导致无法复现。把/tf和/tf_static一起录下来回头排查定位问题时才不至于抓瞎。这套流程熟练之后一个标准室内场景从建图到定位基本能在半小时内全部搞定。slam_toolbox 最让我满意的地方不是某个单一功能而是它把“建图、闭环、保存、复用”这一整条链路都打通了。从最初的 2D 建图到后来做定位导航直到分段扩展地图都用同一套工具链搞定省去了在不同方案之间来回切换的适应成本。如果你也在为地图漂移和回环错位头疼花一个下午把 slam_toolbox 调通大概率会觉得这笔时间花得值。