cartographer ros 配置详解

carto_ws/devel_isolated/cartographer/share/cartographer/configuration_files下查找对应的lua文件。该路径下包含的lua文件有：
map_builder.lua map_builder_server.lua pose_graph.lua trajectory_builder.lua trajectory_builder_2d.lua trajectory_builder_3d.lua

Cartographer配置文件主要分为传感器配置、前端匹配、后端优化、子图构建、滤波与处理等模块，各模块参数相互关联，共同决定建图效果。

2D

一、配置项介绍

1. 主配置文件(xxx.lua)

主配置文件：如：my_robot_2d.lua

1. 坐标系与传感器设置

• map_frame：全局地图的坐标系名，通常固定为 "map"。
• tracking_frame：SLAM算法跟踪的坐标系。所有传感器数据都将转换到此坐标系下进行处理。如果使用了IMU，建议设置为IMU的链路，如 "imu_link"；否则通常设置为机器人基座，如 "base_link"。
• published_frame：用于发布位姿的子坐标系。通常设置为 "base_link"，这意味着Cartographer会发布从 map_frame 到 base_link 的变换。
• odom_frame & provide_odom_frame：当 provide_odom_frame = true 时，Cartographer会提供一个不受回环检测影响的、连续的 odom 坐标系。这对于需要平滑里程计的导航任务非常有用。如果你已有外部里程计，则应设为 false。
• use_odometry：是否使用来自 /odom 话题的里程计数据。如果启用，请确保提供准确的里程计信息。
• use_imu_data (在 TRAJECTORY_BUILDER_2D 中)：在2D模式下，使用IMU数据可以显著改善旋转估计。

2. 传感器数据配置

正确设置这些参数，Cartographer才能订阅到你的传感器数据。

• num_laser_scans：设置为 1，表示订阅单个 sensor_msgs/LaserScan 话题（如 /scan）。
• num_multi_echo_laser_scans：如果你使用的是多回波激光雷达数据 (sensor_msgs/MultiEchoLaserScan)，则设置此参数。对于标准的单回波雷达，应将其设为 0。
• num_point_clouds：对于2D SLAM，通常使用单线激光雷达，故此参数设为 0。

2. 传感器配置（map_builder.sensor_bridge）

定义传感器数据的处理方式，核心是激光雷达和里程计（可选）的参数。

• num_laser_scans：激光雷达数量（单线雷达填1，多线雷达需拆分时按实际数量填写）。
• num_multi_echo_laser_scans：多回波激光雷达数量（普通单线雷达填0）。
• num_point_clouds：点云传感器数量（若用深度相机转点云，需对应填写）。
• use_odometry：是否使用里程计（true/false，建议有里程计时开启，辅助抑制漂移）。
• odometry_sampling_ratio：里程计数据采样率（默认1.0，高频里程计可降低至0.5避免冗余）。
• imu_gravity_time_constant：IMU重力参数（默认10.0s，用于IMU初始化，若无IMU可忽略）。

关联逻辑：传感器数量需与实际硬件匹配，否则数据会被丢弃；开启里程计/IMU后，前端匹配会融合其数据提升稳定性。

3. 前端匹配（trajectory_builder_2d）

负责激光雷达帧与局部地图的匹配（扫描匹配），是实时性的关键。

• min_range/max_range：激光点有效距离范围（过滤过近/过远噪声点，需根据雷达参数设置，如单线雷达通常设0.1~30m）。
• missing_data_ray_length：无效激光点（如超过max_range）的填充长度（建议设为max_range，保证地图连续性）。
• num_accumulated_range_data：用于构建局部地图的激光帧数量（默认1，增大可提高匹配精度但降低实时性，室内建议1~3，室外高速场景建议1）。
• voxel_filter_size：激光点体素滤波大小（单位m，默认0.05m，室外可增大至0.1~0.2m减少计算量）。

扫描匹配参数（scan_matcher）：

• translation_weight/rotation_weight：平移/旋转权重（影响匹配对平移/旋转的敏感度，默认1e3/1e6，旋转误差大时可提高rotation_weight）。
• ceres_solver_options.max_num_iterations：Ceres迭代次数（默认20，精度优先场景可增至30~50，实时优先减至10）。

关联逻辑：voxel_filter_size与num_accumulated_range_data共同决定局部地图的细节度，滤波粒度越大、累积帧数越多，计算量越大。

4. 子图构建（trajectory_builder_2d.submaps）

子图是局部地图的集合，后端基于子图优化全局轨迹。

• num_range_data：每个子图包含的激光帧数量（默认90，子图越大地图细节越丰富，但后端优化成本越高，室内建议60_{120，室外可减少至30}60）。
• grid_options_2d.resolution：子图栅格分辨率（单位m，默认0.05m，0.02~0.1m常用，分辨率越高细节越清晰但内存占用越大）。
• grid_options_2d.patch_size：子图存储的patch大小（默认8，影响内存分配，无需修改）。
• loop_closure_translation_weight/loop_closure_rotation_weight：回环检测时子图匹配的平移/旋转权重（默认1e3/1e6，与前端扫描匹配类似，需保持一致性）。

关联逻辑：resolution直接决定地图精度，与激光雷达精度匹配（如1cm精度雷达用0.01m分辨率，普通雷达用0.05m即可）；num_range_data决定子图大小，子图过大易导致回环检测效率下降。

5. 后端优化（map_builder.constraint_builder）

负责回环检测与全局优化，决定建图的一致性。

• sampling_ratio：子图对采样率（默认0.3，降低可减少计算量，实时场景可设0.1~0.2）。
• max_constraint_distance：回环检测的最大距离（单位m，默认15m，室内小场景可减小至5_{10m，室外大场景增大至20}50m）。
• min_score：回环匹配的最小分数（默认0.55，分数越高回环越可靠但可能漏检，室内建议0.6~0.7，室外可降低至0.5避免漏检）。
• global_sampling_ratio：全局采样率（默认0.003，控制全局回环检测的频率，小场景可提高至0.01）。
• ceres_solver_options.max_num_iterations：后端优化迭代次数（默认50，大场景需增至100~200保证收敛）。

关联逻辑：max_constraint_distance需根据场景尺度设置，过小会漏检回环，过大易引入错误约束；min_score与场景特征丰富度相关（特征少的场景如走廊需降低阈值）。

5. 其他关键参数

• trajectory_builder_2d.use_online_correlative_scan_matcher：是否使用在线关联扫描匹配（默认true，提高匹配鲁棒性，计算量较大，低端设备可设false）。
• map_builder.fast_correlative_scan_matcher_2d.linear_search_window：快速匹配的线性搜索窗口（单位m，默认0.1m，里程计精度低时可增大至0.5~1m）。
• map_builder.fast_correlative_scan_matcher_2d.angular_search_window：角度搜索窗口（单位rad，默认0.17rad≈10°，旋转噪声大时可增至0.34rad≈20°）。

二、参数关联逻辑

各模块参数并非独立，核心关联如下：

1. 传感器与前端：里程计/IMU的开启会影响前端匹配的初始猜测，降低扫描匹配的搜索范围（如linear_search_window可减小）。
2. 前端与子图：前端匹配的精度决定子图构建的准确性，子图的resolution需与前端voxel_filter_size匹配（滤波粒度应小于等于分辨率，否则丢失细节）。
3. 子图与后端：子图数量越多、num_range_data越大，后端回环检测的计算量越大，需通过sampling_ratio平衡效率。
4. 实时性与精度：提高ceres_solver_options.max_num_iterations、num_accumulated_range_data等参数可提升精度，但会降低实时性，需根据硬件性能取舍。

三、典型场景推荐配置

室内小场景（<1000㎡，低速）：高精度优先

1. 传感器配置

• use_odometry=true：启用轮式里程计辅助定位。室内场景中轮速计误差累积较慢，可提供短期稳定的运动先验，减少激光匹配歧义（尤其低速移动时，激光帧间变化小，里程计能增强连续性）。
• num_laser_scans=1：单激光雷达输入，适合室内常用的单线/多线激光（如16线），无需处理多传感器同步问题。

2. 前端（局部里程计与扫描匹配）

• voxel_filter_size=0.05m：体素滤波分辨率0.05m，保留更多点云细节（如墙角、桌椅边缘），提高匹配精度（室内特征密集，细粒度滤波不影响效率）。
• num_accumulated_range_data=2：累积2帧激光点云再处理。低速移动时，单帧点云运动信息少，累积后可增强特征显著性（如运动物体的轨迹连续性），提升匹配稳定性。
• ceres_solver_options.max_num_iterations=30：前端优化迭代次数30次。室内场景对实时性要求不极致，更多迭代可减少局部匹配误差（如激光与子图的对齐残差）。

3. 子图参数

• resolution=0.05m：子图分辨率0.05m，高密度网格可精确刻画室内细节（如门、窗台），为回环检测提供高辨识度特征。
• num_range_data=90：每个子图包含90帧激光数据。低速移动时，子图覆盖范围小（如10-20米），更多帧累积可减少子图拼接误差，保证局部地图一致性。

4. 后端（回环检测与全局优化）

• max_constraint_distance=10m：回环检测最大搜索距离10m。室内场景空间封闭（如办公室隔间），远距离回环概率低，限制搜索范围可减少无效计算。
• min_score=0.6：回环匹配最低得分0.6（较高阈值）。室内特征重复度高（如相同办公室布局），高阈值可减少误匹配（避免将相似场景误判为回环）。
• ceres_solver_options.max_num_iterations=100：后端全局优化迭代100次。室内对全局精度要求高（如厘米级定位），更多迭代可充分收敛，消除累积漂移。
• 使用默认或较大的 optimize_every_n_nodes，避免频繁优化中断建图过程。

5. 扫描匹配

• use_online_correlative_scan_matcher=true：启用在线相关性扫描匹配。室内环境特征丰富，该算法通过暴力搜索局部位姿空间（结合里程计先验），可找到更精确的匹配结果（尤其低速下，计算耗时可接受）。
• linear_search_window=0.3m，angular_search_window=0.34rad（≈19.5°）：搜索窗口小（平移±0.3m，旋转±19.5°）。低速移动时，里程计预测误差小，无需大窗口搜索，减少计算量的同时提高匹配精度。

室外大场景（>5000㎡，中速）：实时性优先，依赖回环修正

1. 传感器配置

• use_odometry=true（+GPS优化）：室外中速移动时，轮速计误差累积快，需结合GPS提供全局位姿约束（Cartographer可通过use_nav_sat集成），减少长距离漂移；若无GPS，依赖回环修正。

2. 前端

• voxel_filter_size=0.1m：体素滤波分辨率0.1m，降低点云密度。室外场景（如园区、街道）特征稀疏（多为地面、树木、建筑轮廓），粗粒度滤波可减少计算量，且不丢失关键特征。
• num_accumulated_range_data=1：不累积帧，单帧处理。中速移动时，帧间运动差异大，累积会导致点云畸变，单帧处理可保证实时性（避免延迟）。
• ceres_solver_options.max_num_iterations=15：前端迭代15次，减少计算耗时（中速移动对实时性要求高，优先保证帧率）。

3. 子图参数

• resolution=0.1m：子图分辨率0.1m，平衡精度与存储（室外大场景需避免子图数据量过大）。
• num_range_data=60：每个子图包含60帧数据。中速移动时，子图覆盖范围更大（如30-50米），减少子图总数，降低后端回环检测的匹配复杂度。

4. 后端

• max_constraint_distance=30m：回环搜索距离30m。室外场景开阔，机器人可能绕圈后回到远处区域（如园区环路），扩大搜索范围可提高回环检出率。
• min_score=0.5：降低回环匹配阈值。室外特征稀疏（如相似的树木排列），适当放宽阈值可增加回环数量（依赖后端优化剔除误匹配）。
• sampling_ratio=0.1：回环候选帧采样比例0.1，随机抽取10%的历史帧进行匹配，减少计算量（大场景下历史帧多，全量匹配耗时过高）。
• ceres_solver_options.max_num_iterations=150：后端迭代150次。室外累积漂移更显著，更多迭代可通过回环约束修正长距离轨迹（即使前端精度低，后端也能拉回全局一致性）。

5. 扫描匹配

• linear_search_window=0.5m，angular_search_window=0.52rad（≈29.8°）：扩大搜索窗口。中速移动时，里程计误差更大（如路面不平导致轮速计打滑），大窗口可覆盖真实位姿范围，避免匹配失败。

低性能设备（嵌入式ARM）：保证实时性，牺牲精度

1. 核心优化方向

• 放宽motion_filter：运动滤波器用于判断是否生成新的激光帧（如移动距离/角度小于阈值则跳过）。放宽阈值（如增大max_time_seconds或max_distance_meters）可减少处理的帧数量，是降低计算量最直接的方式。
• 降低回环频率：sampling_ratio=0.05（仅5%历史帧参与回环匹配）、max_constraint_distance=20m（缩小搜索范围），大幅减少回环检测的计算负荷（回环是Cartographer最耗时的模块之一）。
• 减少后台线程：num_background_threads=1，ARM平台算力有限，多线程切换开销大，单线程可避免资源竞争，提高效率。

2. 前端

• voxel_filter_size=0.2m：更粗的体素滤波，进一步减少点云数量（ARM平台处理能力弱，需降低输入数据量）。
• num_accumulated_range_data=1：单帧处理，避免累积导致的延迟。
• use_online_correlative_scan_matcher=false：禁用在线相关性匹配（该算法为暴力搜索，计算密集），改用轻量的迭代最近点（ICP）匹配，牺牲部分精度换速度。

3. 子图与后端

• num_range_data=30：每个子图仅30帧数据，减少子图存储和匹配成本（子图数量少，后端处理更快）。
• ceres_solver_options.max_num_iterations=50：后端迭代次数减少，降低优化耗时（ARM平台跑Ceres效率低，优先保证不卡顿）。

纯定位模式：在已有先验地图上进行实时定位，需要低延迟和高鲁棒性。

• 启用定位修剪器：在 my_robot_2d.lua 中添加以下配置，防止内存无限增长。

  TRAJECTORY_BUILDER.pure_localization_trimmer = {max_submaps_to_keep = 3, -- 只保留最近的3个子图
  }
  

• 优化性能：
  • 显著增加 motion_filter 的阈值，例如 max_distance_meters=0.2, max_angle_radians=math.rad(1)，大幅减少节点生成。
  • 降低 POSE_GRAPH.optimize_every_n_nodes (例如到 20)，使位姿能更快地被校正。
• 提升重定位能力：如前述，务必扩大 angular_search_window，这是解决机器人"丢失"问题的有效手段。

四、实用技巧

1. 参数调优步骤：

   • 先确保传感器数据正确（激光帧无畸变、里程计与激光同步）。
   • 固定后端参数，调优前端匹配（观察实时轨迹是否平滑，有无跳变）。
   • 再调优后端回环（检查地图是否闭合，有无明显错位）。

2. 地图漂移处理：

   • 若平移漂移大：增加translation_weight，开启里程计，减小voxel_filter_size保留更多细节。
   • 若旋转漂移大：增加rotation_weight，增大angular_search_window，检查雷达安装是否水平。

3. 回环失效处理：

   • 场景特征少（如长走廊）：降低min_score，增大max_constraint_distance。
   • 回环误匹配：提高min_score，减小max_constraint_distance，增加num_range_data使子图更具辨识度。

4. 内存优化：

   • 大场景可减小resolution（如0.1m），降低num_range_data（如30），减少子图存储量。
   • 关闭use_online_correlative_scan_matcher，降低前端内存占用。

5. 日志调试：

   • 开启roslaunch cartographer_ros demo_backpack_2d.launch bag_filename:=xxx.bag rviz:=true，在RViz中观察子图、轨迹、回环约束，直观判断参数问题。

2D vs 3D

以下是整理后的Cartographer 2D与3D配置差异文档，完整保留核心信息并结构化呈现：

Cartographer 2D与3D配置核心差异总览

配置维度	Cartographer 2D	Cartographer 3D
传感器要求	激光雷达（单线/多线转2D），IMU可选	必须使用多线激光雷达，IMU为必需传感器
核心参数开关	use_trajectory_builder_2d = true	use_trajectory_builder_3d = true
运动滤波	主要考虑水平移动（max_distance_m, max_angle_rad）	需额外考虑时间阈值（max_time）
点云处理	使用missing_data_ray_length替代max_range	使用max_range和min_range，配置体素滤波器（voxel_filter_size）
扫描匹配	使用单个occupied_space_weight	使用两个权重参数（occupied_space_weight_0, occupied_space_weight_1），对应高低分辨率点云
后端优化	优化在二维平面内进行	优化在三维空间中进行，参数更复杂（如fix_z_in_3d）
建图输出	2D栅格地图（可直接用于导航）	3D混合概率地图（通常需投影为2D地图用于导航）
产品特点	计算资源消耗少，实时优化，不追求高精度	计算资源消耗少，实时优化，不追求高精度

一、传感器与核心设置差异

1. 传感器类型与依赖

• 2D配置：

  • 核心处理激光数据并投影到二维平面，支持单线激光雷达或多线雷达（通过截取特定射线环/投影到平面）。
  • IMU可选（TRAJECTORY_BUILDER_2D.use_imu_data），若启用可辅助改善运动估计。

• 3D配置：

  • 必须使用多线激光雷达（如16线、32线）或深度相机，通过num_point_clouds配置点云传感器数量（通常设1），num_laser_scans和num_multi_echo_laser_scans一般设0。
  • 强制依赖IMU（TRAJECTORY_BUILDER_3D.use_imu_data），用于提供初始重力方向估计，减少计算复杂度；需配置imu_gravity_time_constant（默认10s，需根据IMU参数校准）及imu_sampling_ratio（控制IMU数据采样率）。

2. 核心参数开关

• 2D与3D通过互斥参数启用：分别对应use_trajectory_builder_2d = true和use_trajectory_builder_3d = true，不可同时启用。

二、运动过滤与点云处理差异

1. 运动过滤

• 2D：仅关注水平方向运动，通过motion_filter设置距离（max_distance_m）和角度（max_angle_rad）阈值，决定是否插入新扫描帧到子图。
• 3D：除距离和角度阈值外，需额外设置时间阈值（max_time），避免高频无效帧处理。

2. 点云处理

• 2D：

  • 用missing_data_ray_length替代max_range，处理激光未返回的区域（如空旷处）。

• 3D：

  • 带通滤波：通过TRAJECTORY_BUILDER_3D.min_range和max_range过滤无效测量值。
  • 体素滤波：核心参数voxel_filter_size控制下采样粒度（默认0.05m，比2D更敏感，直接影响计算量）。
  • 高分自适应滤波：high_resolution_adaptive_voxel_filter（如max_length=0.2m），保留近处细节、过滤远处冗余点。
  • 地面过滤：新增range_data_ingester.filter_ground参数，可过滤地面点以减少匹配干扰（2D无需此步骤）。

三、扫描匹配差异

1. 匹配维度与参数

• 2D匹配：

  • 在TRAJECTORY_BUILDER_2D.ceres_scan_matcher中调整occupied_space_weight（占据空间权重）、translation_weight（平移权重）和rotation_weight（旋转权重）。

• 3D匹配：

  • 需估计6自由度（x、y、z平移+滚转、俯仰、偏航角），点云分高低分辨率两部分，分别用occupied_space_weight_0和occupied_space_weight_1调整权重。
  • 旋转权重区分轴：rotation_weight中滚转（roll）、俯仰（pitch）默认1e3，偏航（yaw）默认1e6（因偏航对地图一致性影响更大）。
  • 三维关联匹配：correlative_scan_matcher_3d参数（如linear_search_window默认0.5m，angular_search_window默认0.17rad≈10°），搜索范围大于2D（三维空间噪声更高）。
  • 可选启用use_online_correlative_scan_matching提高鲁棒性，但增加计算量。

2. IMU融合

• 3D前端强制融合IMU数据，通过imu_integration参数（如integrate_imu_function）优化位姿初始猜测，减少匹配搜索范围；2D中IMU为可选，融合作用较弱。

四、后端优化与地图表示差异

1. 地图表示

• 2D：使用ProbabilityGrid（二维栅格地图），直接输出可导航的PGM格式文件。
• 3D：使用TSDF（截断符号距离函数）或Submap3D（体素子图），核心参数：
  • high_resolution/low_resolution：高/低分辨率体素参数（如resolution=0.1m/0.2m，分别控制局部细节和回环效率）。
  • truncation_distance：默认0.5m，控制体素中距离值的有效范围（过大会模糊，过小易丢失细节）。

2. 后端优化

• 2D：仅在平面内优化，无重力约束。
• 3D：处理6自由度约束，优化更复杂：
  • 约束构建：map_builder_3d.constraint_builder中low_resolution_adaptive_voxel_filter（如max_length=1.0m）降低回环匹配计算量。
  • 重力约束：pose_graph_3d.optimization_problem中gravity_constraint_weight（默认1e6），确保z轴方向一致性（2D无此参数）。

3. 输出格式与应用

• 2D：直接生成2D栅格地图（PGM），可直接用于导航。
• 3D：生成.pbstream格式3D混合概率地图，需通过cartographer_occupancy_grid_node投影为2D栅格用于导航；完整3D点云地图需通过assets_writer离线生成PLY/PCD文件。

五、其他关键差异

• 内存占用：3D体素地图内存消耗远高于2D，需通过submaps.num_range_data（默认60，可减至30~40）和voxel_filter_size控制。
• 计算复杂度：3D因处理6自由度和更大数据量，计算需求高于2D，需平衡精度与实时性（如调整滤波粒度和搜索范围）。