在此专栏文章中，思岚科技将对机器人定位导航技术中的 SLAM 进行细致讲解。

地图的四种表示方法

智能服务机器人正成为行业的风口浪尖，从清扫机器人开始，家庭陪伴机器人、送餐机器人等陆续进入公众视线。

在讨论这类机器人是否能解决实际问题时，自主定位导航技术作为机器人智能化的第一步正不断引起行业内的重视。同时，作为自主定位导航技术的重要突破口，SLAM 技术也成为关注焦点。

正如图中所示，机器人自主定位导航技术中包括定位、地图创建与路径规划（运动控制），而 SLAM 本身只是完成机器人的定位和地图创建，二者有所区别。

那么，SLAM 技术究竟是如何实现的？它有哪些难点？机器人如何实现路径规划和自动导航？到底什么样的扫地机器人才算智能？

这些问题，小编将为你一一解答，带领大家了解机器人自主移动的秘密。

今天，我们先从 SLAM 说起。

SLAM 是同步定位与地图构建 (Simultaneous Localization And Mapping) 的缩写，最早由 Hugh Durrant-Whyte 和 John J.Leonard 提出。

其实，SLAM 更像是一个概念而不是一个算法，它本身包含许多步骤，其中的每一个步骤均可以使用不同的算法实现。主要用于解决移动机器人在未知环境中运行时即时定位与地图构建的问题。

当你身处异地，怎么准确找到想去的地方？在户外迷路时，怎么找到回家的路？没错，我们有导航软件和户外地图。

和人类绘制地图一样，机器人描述环境、认识环境的过程主要就是依靠地图。它利用环境地图来描述其当前环境信息，并随着使用的算法与传感器差异采用不同的地图描述形式。

机器人学中地图的表示方法有四种：栅格地图、特征地图、直接表征法以及拓扑地图。

栅格地图

机器人对环境地图的描述的方式最常见的为栅格地图 (Grid map) 或者称为 Occupancy Map。栅格地图就是把环境划分成一系列栅格，其中每一栅格给定一个可能值，表示该栅格被占据的概率。

这种地图看起来和人们所认知的地图没什么区别，它最早由 NASA 的 Alberto Elfes 在 1989 年提出，在火星探测车上就用到过，其本质是一张位图图片，但其中每个「像素」则表示了实际环境中存在障碍物的概率分布。

一般来说，采用激光雷达、深度摄像头、超声波传感器等可以直接测量距离数据的传感器进行 SLAM 时，可以使用该地图。这种地图也可以通过距离测量传感器、超声波（早期）、激光雷达（现在）绘制出来。

特征点地图

特征点地图，是用有关的几何特征（如点、直线、面）表示环境，常见于 vSLAM（视觉 SLAM）技术中。

相比栅格地图，这种地图看起来就不那么直观了。它一般通过如 GPS、UWB 以及摄像头配合稀疏方式的 vSLAM 算法产生，优点是相对数据存储量和运算量比较小，多见于最早的 SLAM 算法中。

直接表征法

直接表征法中，省去了特征或栅格表示这一中间环节，直接用传感器读取的数据来构造机器人的位姿空间。

上图就是直接记录了屋子内天花板画面的图像地图。这种方法就像卫星地图一样，直接将传感器原始数据通过简单处理拼接形成地图，相对来说更加直观。

拓扑地图

拓扑地图，是一种相对更加抽象的地图形式，它把室内环境表示为带结点和相关连接线的拓扑结构图，其中结点表示环境中的重要位置点（拐角、门、电梯、楼梯等），边表示结点间的连接关系，如走廊等。这种方法只记录所在环境拓扑链接关系，这类地图一般是由前几类地图通过相关算法提取得到。

比如扫地机器人要进行房间清扫的时候，就会建立这样的拓扑地图：

　　小结

在机器人技术中，SLAM 的地图构建通常指的是建立与环境几何一致的地图。

一般算法中建立的拓扑地图只反映了环境中的各点连接关系，并不能构建几何一致的地图，因此，这些拓扑算法不能被用于 SLAM。