数据融合和简单的贴图是有很大的差异的。因为实际上传感器描绘的世界存在一定的误差，或者正巧在这个时间环境有了变化，例如机器人旁边闯入了一只小猫。

因此，实际要进行的过程会更加复杂，需要用很多概率算法，并采用滤波的方式进行融合。将上述这个过程逐次执行，就最终产生了我们看到的栅格地图。

这个过程听起来其实并不复杂，但是要处理好有很大难度。这里举几个例子，比如叫做 Loop Closure（回环）问题。如果匹配算法不足够优秀，或者环境中存在很不巧的干扰，当机器人绕着环境一圈后，就会发现原本是应该闭合的一个环形走廊断开了。

比如正常地图应该这样：

如果处理不好，实际地图就成这样：

对于环境比较大的场景，回环问题是不得不面对的，但现实总是不完美的，即使是激光雷达这种高精度传感器，也难免存在误差。而回环问题的难点恰恰在于在一开始出现少许误差的时候，并不会被发觉，直到机器人绕着环路一圈，随着误差的累加，发现环路已经无法闭合时，此时已经酿成大错，一般很难回天。

当然这个问题并不是无解，一个好的商用化 SLAM 系统，回环问题是否能很好的解决，就成为评判这个系统实力的指标了。

这是前两天在我们办公室进行的测试，左边的视频是基于开源的 ROS 机器人操作系统进行的地图构建，右边的是基于 SLAMWARE 构建的地图。

当机器人已经绕场一周后，ROS 构建的地图出现了中断，而 SLAMWARE 构建的地图是一个完美的闭环，它与我们办公室的设计图完美重合。

除了算法层面的回环问题，SLAM 实际应用中还有很多这种坑，比如走廊问题与外界干扰问题。

以外界干扰问题来说，通常，激光雷达作为机器人的眼睛，一般是安装在底盘上的，它能看到的视野很有限。当受到外界干扰（人类或者宠物等等）后，机器人很容易丢失定位精度，无法正常完成后续的建图工作。

目前，SLAM 的开源实现代表多为学术界，实际应用有很多 Corner Case 要处理，atv直播，需要传感器、系统参数、其他辅助设备的联合调优。

一般来说，上述的 SLAM 过程对于运算消耗是巨大的，虽然并没有达到像训练神经网络动用服务器集群那种地步，但传统上需要 PC 级别的处理器。

除配备激光雷达外，还需要机器人具有 IMU（惯性测量单元）、里程计来为激光雷达提供辅助数据，否则 SLAM 系统也难以得到运行。总的来说，SLAM 算法本身是一个对于外部系统有着多种依赖的算法，这是一个切实的工程问题。

很多机器人，比如扫地机是不可能装一个 PC 进去的，为了让 SLAM 能在这类设备里运行，除了解决激光雷达成本外，还要对 SLAM 算法做出很好的优化。

那么，机器人利用 SLAM 技术得到了有效的空间信息后，它是怎样实现路径规划的？SLAM 和路径规划之间关系是怎样的？

路径规划

我们先来看看 SLAM 与路径规划的关系。

实际上，SLAM 算法本身只是完成了机器人的定位和地图构建两件事情，与我们说的导航定位并不是完全等价的。这里的导航，其实是 SLAM 算法做不了的。它在业内叫做运动规划 (Motion Planning)。

运动规划是一个很大的概念，从机械臂的运动、到飞行器的飞行，再到这里我们说的扫地机的清扫路径规划，都是运动规划的范畴。

我们先谈谈针对扫地机这类轮式机器人的运动规划。这里所需的基础能力就是路径规划，也就是一般在完成 SLAM 后，要进行一个叫做目标点导航的能力。通俗的说，就是规划一条从 A 点到 B 点的路径出来，然后让机器人移动过去。