SLAM 分两个阶段：

第一阶段，利用实时激光雷达环境数据（类似计算机视觉中的图片）进行建图，类似计算机视觉中的学习训练过程；

第二阶段，根据新的实时激光雷达环境数据（类似计算机视觉中的图片）进行在先前构建的图中的位置定位，类似计算机视觉中的分类预测或推理过程。

SLAM 两个阶段：建图阶段（训练） & 定位阶段（推理）

类比 CV 计算机视觉：

• 建图 = 模型训练：拿着原始数据，构建环境 “模型（地图）”
• 定位 = 模型推理 / 预测：输入新的传感器数据，在已经建好的模型里面算出自身位置

SLAM 完整分为两大阶段：建图阶段（SLAM 建图）、导航定位阶段（Localization，只定位，不再修改地图）。

注意：真正的 SLAM 算法（Cartographer/Gmapping）运行时是一边建图一边定位；

工程机器人实际使用会拆成两步：先离线建图，再在线定位导航，就如同深度学习先训练，后推理。

第一阶段：建图阶段 —— 相当于 CV 的训练过程

输入

源源不断的实时激光雷达扫描数据（一帧一帧 scan，每一帧相当于 CV 的一张图片），加上里程计、IMU。 每一帧激光：就是机器人当前视角看到的环境轮廓，就像相机拍下一张照片。

在做什么（类比训练）

1. 机器人在未知环境里移动，每拿到一帧激光 “环境快照”；
2. 算法把一帧帧快照做匹配对齐，推算机器人每一时刻的位置姿态；
3. 将障碍物、墙体、空闲区域一点点拼接融合，生成一张全局栅格地图（相当于训练完成的模型权重文件）；
4. 输出产物：map.pgm + map.yaml，这就是训练好的 “环境模型”，保存下来。

类比 CV 训练通俗理解

• CV 训练：大量图片输入网络，调整网络参数，得到训练模型，记住图片里的特征；
• SLAM 建图：大量激光帧输入 SLAM 算法，不断对齐点云，生成地图，记住环境墙体、障碍物的空间特征。

关键点：建图阶段地图一直在变化、迭代更新。 人要遥控小车走遍全部空间，如果有区域没走到，地图就缺失这块信息。 建图完成之后，地图文件就固化保存，不再改动。

第二阶段：定位阶段（Localization）—— 相当于 CV 推理 / 预测阶段

机器人不再修改地图！加载上一步建好的静态地图，只做一件事：我现在在哪？

输入

新的实时激光雷达帧（新的环境快照，相当于推理阶段输入一张新图片），里程计、IMU；不会再改动老地图。

在做什么（类比推理）

1. 读取已经保存好的全局地图（加载训练好的模型）；
2. 获取当前时刻激光雷达看到的环境轮廓；
3. 算法把当前实时激光轮廓，和已经保存的地图做匹配；
4. 推算出机器人在这张旧地图当中的坐标、朝向（输出预测结果：机器人位姿）；
5. 把位置给到导航模块，实现巡逻、路径规划、避障。

类比 CV 推理通俗理解

• CV 推理：输入一张新图片，用已经训练好的模型，输出分类结果；
• SLAM 定位：输入一帧新激光扫描，用已经建好的地图模型，输出机器人当前位置坐标。

关键点：地图只读，不写入。哪怕现场临时多了箱子，算法只会把它当成临时障碍物，不会改写原始地图。

对比表格，清晰对照

表格

维度	第一阶段：建图（训练阶段）	第二阶段：定位（推理阶段）
核心目标	构建环境地图，记住整个环境长什么样	在已有地图里面，求解机器人当前位置
地图状态	地图动态生成，持续更新、扩张	地图静态只读，加载后不再修改
传感器输入	激光帧、里程计、IMU	激光帧、里程计、IMU
类比计算机视觉	模型训练，学习环境特征	模型推理，输入新数据做预测
人的操作	需要人工遥控小车遍历全部场地	小车自主运行，不需要人工遥控
输出产物	栅格地图文件 pgm+yaml	实时输出机器人在地图中的 (x,y,θ) 位姿
故障现象	走得太快，地图重影、错位、漂移	地图完好，但定位丢失、机器人不知道自己在哪
典型 ROS 节点	gmapping /cartographer 建图模式	amcl、cartographer 定位模式
后续用途	保存地图，给后续导航使用	给 move_base 提供位置，完成巡逻导航

更形象生活化比喻

把环境想象成一座大楼：

1. 建图（训练）：你第一次进入大楼，到处走一遍，把墙、房间、过道全部画在本子上，得到一张大楼平面图。本子越画越完整。
2. 定位（推理）：之后你拿着这张画好的本子再次进入大楼，眼睛实时看周围墙壁，对照本子，判断：我现在走到大楼哪个位置。本子本身不会再涂改。

工程非常重要的误区澄清

1. ❌误区：导航巡逻的时候还在跑完整 SLAM 建图。 ✅工程实际：巡逻阶段关闭建图，只跑定位。地图固定，只求解位姿。如果巡逻同时持续建图，环境微小变动会把地图越跑越烂。

2. ❌误区：定位可以凭空算出位置。 ✅定位必须依赖预先建好的地图，没有地图，定位无从谈起，如同推理没有训练好的模型。

3. 两者传感器硬件一模一样，都是激光雷达 + 里程计；软件算法模式切换，区分建图模式 / 定位模式。

数据流链路串联

激光雷达每一帧 scan 数据   ↓ 【建图阶段】：scan+odom → SLAM 算法 → 生成保存地图文件   ↓ 【定位推理阶段】：加载旧地图 + 实时 scan+odom → 定位算法 →输出机器人位姿 → 导航 move_base → 小车巡逻运动

补充类比细节： 建图时遇到动态行人，会在地图留下噪点，相当于训练集混入脏样本，损害 “模型质量”； 定位推理阶段遇到行人，只会临时匹配失败，不会污染地图模型。