1. SLAM 基本概念与目标
1. 核心定义
SLAM 全称是 Simultaneous Localization and Mapping，翻译为 同时定位与建图。
- 定位：机器人知道自己在环境中的 位置和姿态（位姿），比如'我在教室第 3 排桌子左边，面朝黑板'。
- 建图：机器人根据传感器数据，画出周围环境的 地图，比如教室的桌子、墙壁的位置。
- 同时：定位和建图不是分开做的 —— 机器人一边用传感器'看'环境画地图，一边根据画好的部分地图判断自己的位置。
2. 最终输出
- 一张 环境地图（比如栅格地图、点云地图）。
- 机器人在地图上的 位姿轨迹（比如从起点到终点，每一刻的位置和朝向）。
3. 与'纯定位'的区别
| 对比项 | SLAM | 纯定位（Localization） |
|---|---|---|
| 地图前提 | 地图未知，需要实时生成 | 地图已知（比如提前画好的教室地图） |
| 核心任务 | 定位 + 建图 | 只需要定位（根据已知地图找自己位置） |
| 应用场景 | 机器人第一次进入陌生环境（比如搜救机器人进废墟） | 机器人在熟悉环境中移动（比如扫地机器人在你家） |
生活化例子：
- SLAM 像你第一次去商场，一边记店铺位置（建图），一边看路标找自己在哪（定位）。
- 纯定位像你在自己家，闭着眼睛都能走到卧室（地图已知，只需要确定自己位置）。
2. SLAM 经典架构（前端 / 后端）
SLAM 系统可以分成 前端 和 后端 两部分，分工明确，像工厂的'生产线'和'质检部'。
1. 前端（传感器数据处理层）
核心作用：处理原始传感器数据，提取有用信息，生成 短期相对位姿约束。简单说，前端负责'看眼前的环境，算自己走了多远'。主要工作内容：
- 里程计融合：把轮子的里程计（比如轮子转了多少圈，算走了几米）和传感器数据结合，减少单独使用轮子的误差。
- 特征提取 / 匹配：从激光数据中找环境的 特征点（比如墙角、桌子角），并匹配相邻时刻的特征点 —— 比如'上一秒看到的墙角，这一秒还能看到，说明我没走太远'。
- Scan Matching（扫描匹配）：把相邻两次的激光扫描数据对齐，计算机器人的相对位姿。
- 数据关联：判断'当前看到的特征点，是不是之前看到过的同一个'—— 比如避免把两个长得像的墙角当成同一个。
2. 后端（优化层）
核心作用：处理前端生成的约束，解决 累计误差，保证地图和轨迹的 全局一致性。简单说，后端负责'纠偏'—— 前端算的短期轨迹可能有误差，走得越远误差越大，后端把这些误差'抹平'。主要工作内容：
- 图优化 / 因子图：把机器人的位姿当成'节点'，把前端的约束当成'边'，构建一个图模型，通过数学优化让所有节点的位置最合理。
