干移动机器人建图时间一长Gmapping是绕不开的一道坎。它是ROS生态里最常用的2D激光SLAM方案很多现成的小车主板上预装的就是这个包网上也有一堆launch文件可以抄。但真到你自己换了一套底盘、换了一款激光雷达之后你就会发现照着官方默认参数跑地图要么重影、要么断线甚至跑着跑着地图整体往一侧漂。这篇文章就是我整理的一份Gmapping参数说明把slam_gmapping里常用的参数逐个拆开讲包括每个参数控制的范围、调大调小的后果、以及实际项目里怎么取舍。后面我还会不定期补充解析部分从算法内部原理出发解释为什么参数要这么设。适合正在调ROS小车建图、或者刚把雷达装上车准备跑第一个地图的入门开发者。1. Gmapping参数体系的整体拆解1.1 这些参数在算法里分别负责什么要弄懂参数先得知道Gmapping内部大概在干什么。它用的是Rao-Blackwellized粒子滤波通俗点说就是一帮粒子里带着机器人的可能轨迹和对应的地图。每来一帧激光先靠里程计预测每个粒子大概走到哪了再用激光扫描匹配去修正这个预测最后按地图匹配得分算权重权重低的粒子被淘汰权重高的粒子复制几份这就是重采样。这样一来参数几乎都是围绕这四个环节展开的运动模型参数决定粒子怎么沿着里程计扩散扫描匹配参数决定激光怎么修正位置估计更新触发参数决定什么时候触发这次修正地图参数决定栅格地图画多细、画多大。你把参数当成“算法给传感器的信任程度”去理解很多调参困惑就自动解开了。举个例子srr、srt、str、stt这四个参数本质上是给里程计模型加噪声。如果你把值调得很小等于告诉算法“我的轮式里程计非常准请多信它”。但真实底盘总有打滑、轮径误差、安装偏差信得过头地图就会跟着里程计一起漂。反过来参数调太大粒子会被噪声推得满地开花Gmapping再厉害也修不回来。1.2 先看参数分组和默认值我按平时调试的习惯把slam_gmapping的参数分成五组更新触发、运动模型、扫描匹配、激光与地图、重采样门限。整理成速查表如下默认值以常见ROS发行版中的slam_gmapping包为准不同版本可能略有出入实际以你launch文件或rosrun时看到的参数为准。分组参数名常见默认值一句话作用更新触发linearUpdate1.0米平移累计超过该值才处理当前帧更新触发angularUpdate0.5弧度旋转累计超过该值才处理当前帧更新触发temporalUpdate-1.0距离旋转触发都不够时按时间触发更新触发map_update_interval5.0秒发布栅格地图的时间间隔运动模型srr0.1平移对平移噪声的影响运动模型srt0.2平移对旋转噪声的影响运动模型str0.1旋转对平移噪声的影响运动模型stt0.2旋转对旋转噪声的影响扫描匹配sigma0.05激光束端点的高斯噪声标准差扫描匹配kernelSize1位置搜索的邻域窗口大小扫描匹配iterations5扫描匹配优化的迭代次数扫描匹配lstep0.05单次平移搜索步长扫描匹配astep0.05单次旋转搜索步长扫描匹配lskip0匹配时跳过的激光束数目激光范围maxRange不固定雷达物理最大量程激光范围maxUrange不固定参与建图的激光最大有效距离地图表示delta0.05米栅格地图的分辨率地图表示xmin/ymin/xmax/ymax-100/ -100/ 100/ 100地图边界范围粒子滤波particles30粒子数量匹配门限minimumScore0.0低于该匹配分时拒绝这一帧这张表不用背先有个全局印象后面每一组我都会展开说。还要补充一个容易忽略的点slam_gmapping这个节点还会接收base_frame、odom_frame、map_frame、laser_frame这些坐标系的参数它们不属于上面五组但如果TF树没配对其他参数调得再好也白搭。1.3 调参的总体原则我见过太多人一上来就猛堆粒子数、把minimumScore调到几十结果地图反而越调越糟。Gmapping的官方默认参数在大多数室内小场景下其实是能跑的问题往往出在坐标系错误、雷达方向装反、底盘打滑严重这些更底层的地方。所以我的经验原则是先保证数据正确再动参数参数每次只改一个改完要重启一局建图不要边跑边改在参数有效的前提下倾向于选择较小值因为粒子滤波这类算法的核心思想是用少量、低噪声的粒子配合更精确的提议分布去逼近真实后验而不是用大量粒子去硬扛错误数据。2. 核心参数逐一说明2.1 更新触发三兄弟linearUpdate、angularUpdate、temporalUpdate这三个参数决定“要不要把当前这一帧激光送进SLAM去”。雷达一般每秒发10到40帧如果每帧都做扫描匹配计算压力很大而且连续两帧之间机器人基本没动匹配结果几乎一样纯属浪费。Gmapping的做法是累计机器人的位移和转角超过阈值才处理一次。linearUpdate默认1.0米意思是机器人直线移动累计超过1米才触发一次建图更新angularUpdate默认0.5弧度也就是转了接近30度才触发。如果你在小房间里建图一圈就几步路linearUpdate设1.0可能半天不更新一次反过来在长走廊里角度变化很少只有angularUpdate在起作用。需要根据运动特征来配室内巡检小车我常改成linearUpdate0.2、angularUpdate0.2更新更频繁建图细腻一点室外大场地改成linearUpdate2.0、angularUpdate0.5减少无效匹配也降低漂移风险。temporalUpdate默认是-1.0表示不启用时间触发。什么时候要用它你的机器人如果经常原地转动较小角度、直线移动距离也很小比如在设备旁边做精细调整可能一天都凑不够线性或角度触发条件。这时可以设成temporalUpdate0.3让算法每0.3秒也强制处理一次避免地图长时间不更新。但要注意时间触发会让体验变得卡顿因为每次强制更新不一定有足够的运动信息支撑匹配质量差在权重计算时容易引入噪声。2.2 运动模型噪声参数srr、srt、str、stt这套参数是很多人最懒得调、但又最值得调的一组。它们对应的是Gmapping对里程计的信任程度属于运动模型协方差的缩放系数。srr负责“平移距离”对“平移误差”的影响srt负责“平移距离”对“角度误差”的影响str负责“旋转角度”对“平移误差”的影响stt负责“旋转角度”对“角度误差”的影响。光看名字容易绕晕记住一句话就行前一个字母是误差来源后一个字母是它影响的对象。比如srr前一个r代表旋转量的误差来源不实际上习惯说法是第一个s是Rotation或Rotation这点上各版本命名容易混淆最稳的办法是直接查你当时编译的源码。不过在绝大多数开源版本里四个参数的排列就是按照“平移对平移、平移对转角、转角对平移、转角对转角”的顺序。调的时候从默认值出发即可。差速底盘的轮径误差大、重心偏高转弯打滑我会把srt和str同时提高50%让算法不那么信里程计。全向轮底盘如果标定得准四个参数甚至可以降到默认值的一半地图会紧贴墙壁非常清晰。不要把它们调成0一旦为0意味着算法认为里程计零误差那粒子滤波就退化成纯扫描匹配了对遮挡和动态物体会非常敏感。2.3 扫描匹配参数sigma、kernelSize、iterations、lstep、astep、lskip这组参数直接决定激光数据怎么和已有地图对齐。sigma是激光束端点模型里的高斯噪声标准差默认0.05米。它刻画了“我认为激光打在真实障碍物上的点会有多大程度的测量误差”。雷达质量好、精度高可以调小到0.03雷达测距毛刺多比如在一些反光材质周围可以放宽到0.08左右。sigma太小时微弱噪声就会导致匹配失败太大时墙角会被抹圆地图边缘模糊。kernelSize是扫描匹配时搜索邻居的窗口半径默认1。它表示在当前位置周围多大范围内去寻找更好的匹配位置。增加kernelSize可以提高对初始误差的容忍度但计算量成倍上升一般调到3到5已经很多。iterations默认5是指扫描匹配内部优化器迭代多少轮。地图复杂、环境特征多时调到8左右会更稳很多情况下5就够了超过8收益不大CPU倒是高得很明显。lstep和astep分别是匹配时单次搜索的平移步长和旋转步长默认都是0.05单位分别是米和弧度。它们最好和地图分辨率delta匹配delta是0.05米时lstep至少也应是0.05。lskip则是匹配时跳过若干条激光束设置为1或2能明显降低CPU但在激光束很稀疏的场景会丢失特征不建议优先用。这一组里真正需要日常动的只有sigma和iterations。kernelSize、lstep、astep、lskip保持默认能省很多事。我在某差速底盘项目上试过把iterations从5加到12地图细节确实少许改善但CPU涨了快三成最后又调回8。2.4 激光范围与地图参数maxRange、maxUrange、delta、地图边界、map_update_intervalmaxRange就是雷达说明书上的最远量程比如12米、40米。maxUrange则是Gmapping实际使用激光时认为“多远以外的点不再参与建图”。很多人只设maxRange不设maxUrange结果就是远距离的噪点被当成真实障碍物在地图上画出一堆放射状短线。一般来说maxUrange设为比maxRange略小一点比如一款量程20米的雷达设maxUrange15米把太远的低置信度点裁掉地图会更干净。需要调大maxUrange的场景是开阔场地障碍物本来就远如果裁掉太多匹配特征不足算法容易跟丢。这时候就要在噪声和特征之间取舍。delta是栅格地图的分辨率默认0.05米也就是每个格子代表5厘米。想要更精细的地图可以改成0.025但地图文件大小变成原来的四倍匹配也更慢。我的建议是先留0.05跑通整个流程再考虑是否需要0.025不要一上来就把分辨率抬太高。地图边界xmin、ymin、xmax、ymax默认正负100米对应200乘200米的可建图范围。如果环境超过这个范围地图会沿着边界被截断表现为墙体突然消失。典型症状是建图建到一半地图边缘像被刀切过一样。调大四边界即可但要注意边界越大内存占用越高因为Gmapping会按这个范围分配栅格数组。map_update_interval默认5.0秒指的是向ROS话题发布地图的间隔不是建图本身的更新间隔。你会在rviz里看到地图每隔几秒刷新一次就是这个参数在起作用。调试时调成0.5秒可以让画面更实时但会多占用发布带宽正式跑的时候建议恢复到3到5秒。2.5 容易被误用的minimumScoreminimumScore是一个让人又爱又恨的参数。它的作用是如果这一帧激光扫描匹配得到的得分低于阈值就认为匹配不够可靠从而拒绝把这帧数据放进地图更新流程。问题在于这个得分不是我们直觉里的“百分比”而是基于栅格占用概率算出来的一个绝对数值和雷达型号、地图分辨率、环境特征密度都有关。同一套数在一款雷达上得分可能是5换另一款雷达可能变成500。所以网上有人推荐0.2有人推荐20谁都没错只是他们的环境不同。我的建议是从0.0开始只有当你明确看到“误匹配”症状时再慢慢往上加。比如地图上突然出现一条不应该存在的墙或者轨迹在某片空地上乱跳就和minimumScore太保守有关。每次加0.5左右加到症状消失就停。很多室内低速小车最终停在1到5之间而那些所谓高分数阈值通常是特定场景下的特例。3. 调参实操从launch到成功建图3.1 一个最小可用的launch示例拿一个常见的差速底盘来举例底盘里程计发odom雷达在base_link前方用如下launch可以最快跑起Gmappinglaunch node pkggmapping typeslam_gmapping nameslam_gmapping outputscreen param namebase_frame valuebase_link/ param nameodom_frame valueodom/ param namemap_frame valuemap/ param namelaser_frame valuelaser/ param namemaxRange value12.0/ param namemaxUrange value10.0/ param namelinearUpdate value0.5/ param nameangularUpdate value0.35/ param nametemporalUpdate value-1.0/ param namesrr value0.15/ param namesrt value0.25/ param namestr value0.15/ param namestt value0.25/ param namesigma value0.05/ param namekernelSize value3/ param nameiterations value8/ param namelstep value0.05/ param nameastep value0.05/ param nameparticles value40/ param namedelta value0.05/ param nameminimumScore value0.5/ param namexmin value-50/ param nameymin value-50/ param namexmax value50/ param nameymax value50/ /node /launch这里改动了几处默认值linearUpdate降到0.5angularUpdate降到0.35让低速小车在小空间里也能及时更新srt和stt略调高因为没有绝对准的里程计minimumScore给了0.5算是一个温和的门限。这几处都不是通用最优解只是给了你一个已在小场景中跑通的起点。3.2 不同机器人场景的参考参数场景建议调整项理由室内房间、小半径巡线linearUpdate0.2, angularUpdate0.2, particles30更新频繁地图细但别拉高粒子数长走廊、大厂房linearUpdate2.0, angularUpdate0.5, maxUrange20, particles≥60避免频繁匹配引入抖动用粒子数增加覆盖底盘轻微打滑srr/srt/str/stt各加30%~50%降低对里程计信任靠激光矫正高精度操作、低速微调temporalUpdate0.3~0.5位移和转角都可能长期达不到触发条件雷达毛刺多sigma0.08, 轻微提高minimumScore容忍噪声同时拒绝太差的匹配这张表只是方向不是标准答案。每个项目都要配合实际数据观察椅子、堆箱、玻璃墙都会改变最优值。我见过一个项目里地面光滑程度不同同一台小车在水泥地建图很好换到瓷砖地面就漂就是因为轮子打滑导致运动模型需要重新调而不是雷达变了。3.3 调参顺序与验证方法我的调参顺序可以归纳成五步。第一步验证数据链。检查TF树、雷达话题频率和帧时间戳是否一致不要有跳变。这一关不过后面一切免谈。第二步固定激光范围参数让maxRange和maxUrange符合实际传感器地图干净与否先不管。第三步用默认参数先建一遍图把明显问题记录下来。第四步按“触发频率”再按“运动模型噪声”再按“扫描匹配细节”逐项迭代。第五步验证建图效果不要只看图漂不漂亮重点看回环是否闭合、墙体是否有重影、轨迹是否与真实路径重合。验证时建议全程录制bag这样你可以离线反复回放用同一份数据改参数对比结果。我在实践中的体会是离线调参比在线调参效率高非常多。每次改动都生成一份新地图保存下来对比慢慢就能找到当前机器人的“舒适区”。4. 常见问题与避坑4.1 地图重影或者墙壁像是有两层这是最常见的故障现象一块墙的边缘被画成两条甚至多条线。原因通常有两个要么是里程计噪声参数srr/srt/str/stt压得过低导致粒子严重相信错误的里程计每次更新地图时都会在错误位置叠加墙体要么是linearUpdate和angularUpdate太小激光在几乎同一位置被反复匹配微小误差被累积。解决思路是先把更新阈值稍微放大一点比如linearUpdate从0.2提到0.8angularUpdate从0.2提到0.5让跳帧减少如果重影还在再按30%的比例提高运动模型噪声参数让粒子有更多自由度去纠正轨迹。不要一上来就加粒子数粒子数只会把“重影的多个假设”同时保留下来。4.2 闭环一直闭合不上走廊入口对不齐跑了半天最后回到起点结果起点旁边的墙和出发时画的墙错开了几十厘米。这是粒子数不足和提议分布不够准共同造成的。Gmapping在回环时需要候选粒子足够多才可能有一个粒子恰好走出一个能闭合回环的轨迹。粒子太少后验分布里就没有那个正确答案。先尝试把particles从30加到80左右同时把iterations调到8到10让扫描匹配更充分。如果还是没有闭合回到运动模型参数适当调高srt和str因为这个错位本质上说明算法生成的轨迹里转角误差没有充分体现出来。另外回环场景要养成长时间低速接近回环点的习惯雷达匹配才有足够多帧去收敛。4.3 地图一直白图或者半天不更新白图通常不是参数问题而是Gmapping根本没有收到有效激光或者TF没有正常传递。先看雷达话题频率再看base激光变换是否存在最后看看雷达数据是否极为稀疏。如果这些都没问题地图半天不更新那就要看更新触发参数了。比如小车在一个很小的区域挪动位移累计始终到不了linearUpdate角度变化也到不了angularUpdate地图当然像是卡住了。这种场景用temporalUpdate0.3或0.5是最直接的解法。但注意地图不更新的另一个隐蔽原因是minimumScore设得太高导致每一帧都不达标算法拒绝更新。检查方法很简单把minimumScore暂时设回0.0如果地图立刻开始更新那问题就出在门限上。4.4 CPU占用过高建图时整个系统卡顿Gmapping是纯CPU算法粒子数和扫描匹配参数对CPU影响最大。一个粒子在每次更新时都要做一次扫描匹配迭代粒子数从30加到100计算量直接翻三倍多。先查是不是particles开得太大其次是iterations和kernelSize拉得太高。还有一个常被忽略的参数是lskip。在激光雷达线束密集、CPU吃紧的情况下把lskip设为1或2让匹配时跳过一些束能明显降低耗时代价是少量细节损失。另一个思路是降低雷达话题的频率但这不是Gmapping参数不推荐随便改。4.5 地图范围不够墙体被裁切如果发现地图边缘出现整齐的直线而且直线旁边的障碍物缺失基本可以断定xmin、ymin、xmax、ymax太小。默认正负100米已经覆盖大多数室内场景但大仓库或室外园区就未必够。把它改成正负200米甚至更大即可代价是地图内存涨四倍左右在低配工控机上要注意。4.6 小车转弯时地图乱掉直线段反而正常这种症状指向stt和srt。转弯时轮式里程计最容易打滑尤其麦克纳姆轮和三轮全向底盘原地旋转时里程计误差比直线行驶高一个数量级。我遇到过一台全向轮小车直线建图很漂亮转个90度就地图撕裂。把stt从0.2调到0.5srt从0.2调到0.4重新建图问题立刻缓解。这里的教训是运动模型参数一定要结合底盘的真实运动特性去调不要认为四个值对称才合理。5. 解析部分这些参数背后的算法逻辑5.1 RBPF为什么能让粒子数不必太多很多人第一次看到Gmapping的默认粒子数只有30时会觉得不可思议市面上很多粒子滤波类算法动辄几百上千个粒子。Gmapping能压到这么低靠的是两个机制一是用激光扫描匹配构造更精确的提议分布让每个粒子在采样时不是只靠里程计瞎猜而是先偏移到最像当前地图的位置附近二是自适应重采样只有当粒子权重差异大到一定程度时才重采样避免粒子多样性过早丢失。这两个机制正是前面那么多参数服务的核心。sigma、kernelSize、iterations影响的是提议分布的精度srr、srt、str、stt影响的是粒子采样的散布范围线性更新阈值影响的是重采样频率。把它们看作一个整体你就会明白为什么“只调particles”解决不了所有问题它只是金字塔尖的一部分。5.2 为什么“够用就好”是调Gmapping的准则Gmapping本身是局部SLAM它没有一个全局优化器来纠正已生成的地图。一旦某几帧匹配错误被写入地图错误会一直保留粒子滤波只能在下一次重采样时让某些粒子远离错误但无法像图优化那样把历史轨迹重新拉回来。这意味着盲目提高参数值并不能换来更好的地图。把linearUpdate调得非常小可能让错误匹配的机会变多把particles调得非常大可能让重采样后粒子多样性恶化得更快。反过来只要运动模型和扫描匹配的基础质量足够好30个粒子的地图就足够锐利。尤其对于室内结构简单、特征规则的环境参数保守、够用就好远比堆算力更可靠。5.3 与当前其他激光SLAM方案的差别如果后续你需要处理更复杂的大场景或者环境变化明显可以了解对比Cartographer这类带后端优化的方案。Gmapping的定位是轻量、快速、容易上手适合在结构相对固定、底盘里程计不至于完全离谱的环境。Cartographer则引入了子图和局部图配合ceres做回环优化参数体系更庞大在全局一致性上有优势但计算成本和工程复杂度也高不少。在选型上我的经验是先看能不能跑通Gmapping如果不能优先反思传感器质量和底盘运动特性那些是Gmapping都救不回来的硬伤换算法也会遇到同样的瓶颈。我自己的体会是调Gmapping参数最忌讳同时改好几个值每个参数之间的耦合关系很强一次动两三个出了问题你根本无法定位。定期把参数和建图结果记录下来像做实验一样标注每次改动等你有了一组稳定参数后面换其他小车时也只需要在这个基础上微调会省下大量重复踩坑的时间。这也是我把这篇文章做成持续更新说明的原因解析部分后面还会按运动模型、扫描匹配、重采样机制逐块补全方便以后查起来有一条清晰线索。