前两篇聊了LOAM和LeGO-LOAM，都是基于特征点的方法。这篇换个思路，聊一个完全不同的方案——Cartographer。Cartographer是Google在2016年发表在ICRA上的，后来开源了，是Google内部用了多年的SLAM系统。它最初是为Google Tango和Project Ara设计的，后来被广泛应用在机器人和自动驾驶领域。

它和LOAM系列最大的区别是什么？不用特征点，直接用栅格地图做匹配。这个思路来自概率机器人学，把SLAM问题转化为概率估计问题。Cartographer在Google内部经过了很多年的打磨，工程实现非常成熟。面试中Cartographer和LOAM经常被拿来对比，你得清楚两者的架构差异和适用场景。

Cartographer的整体架构

Cartographer也是前后端分离的，但架构和LOAM很不一样。

前端：局部子图构建 + 分支定界匹配。把连续的激光帧构建成局部子图（submap），每个子图是一个小的栅格地图。新帧和当前子图做匹配，用的是分支定界算法（Branch and Bound），不需要特征提取。前端输出的是高频的位姿估计和局部子图。

后端：全局优化。检测到回环后，用SPA（Sparse Pose Adjustment）做全局位姿图优化。Cartographer的后端是纯图优化，不像LOAM那样分前后端建图。后端的优化结果会反馈给前端，更新子图的位姿。

这个架构有个特点：前端和后端是异步的。前端持续构建子图、做匹配，后端在后台做全局优化。两者通过消息队列通信，互不阻塞。这个设计让Cartographer的实时性很好，不会因为后端优化而卡住前端。

# Cartographer的核心流程
class Cartographer:
    def process(self, scan, pose):
        # 前端：构建子图 + 匹配
        submap.insert(scan, pose)
        match_result = branch_and_bound_match(scan, submap)
        # 回环检测
        if detect_loop_closure(scan, all_submaps):
            pose_graph.add_constraint(loop_constraint)
        # 后端：全局优化
        pose_graph.optimize()
        return match_result.pose

子图构建与匹配

Cartographer的前端核心是子图（submap）的概念。

子图是什么？把连续N帧激光数据融合成一个栅格地图，就是一个子图。每个子图覆盖一小块区域，比如10米x10米。当传感器移动超过一定距离，就创建新的子图。子图之间是独立的，各自维护自己的坐标系。全局优化负责把不同子图的坐标系对齐。

子图的大小是个重要的参数。太小了，子图数量多，全局优化的计算量大。太大了，子图内的累积误差大，匹配效果差。一般根据场景大小来调，室内场景10米左右比较合适。

匹配怎么做？新来的激光帧和当前子图做匹配，用的是概率栅格匹配。每个栅格有一个占据概率值，激光帧的每个点落在栅格上，算似然概率。最大化所有点的似然概率之和，就是最优位姿。

概率栅格用的是对数几率（log-odds）表示法，而不是直接存概率值。为什么？因为概率值在0和1之间，连乘容易数值下溢。对数几率把乘法变成加法，数值稳定性更好。更新公式是：l_new = l_old + log(p/(1-p))，其中p是观测的占据概率。

分支定界算法是Cartographer匹配的核心。它把搜索空间分成多个层级，从粗到细搜索。粗层级快速排除不可能的区域，细层级精确定位。这个算法的好处是不需要好的初始位姿，全局搜索能力强。但代价是计算量大，比特征匹配慢不少。

# 分支定界匹配的核心思想
def branch_and_bound_match(scan, submap):
    # 粗搜索：低分辨率栅格
    candidates = coarse_search(scan, submap.low_res)
    # 细搜索：高分辨率栅格
    for candidate in candidates:
        refined = fine_search(scan, submap.high_res, candidate)
    return best_pose(refined)

回环检测与全局优化

Cartographer的回环检测也是基于子图的。当新子图和旧子图的重叠区域足够大时，就尝试做匹配。如果匹配成功，就认为检测到了回环。

回环检测的关键是怎么判断两个子图有重叠。Cartographer用的是位置距离+姿态距离的阈值判断。如果两个子图的位姿距离小于阈值，就认为它们可能重叠，尝试做分支定界匹配。这个策略简单高效，但可能会漏检一些远距离的回环。

全局优化用的是SPA（Sparse Pose Adjustment），本质上是位姿图优化。Cartographer用Ceres Solver做非线性优化，支持多种约束类型：匹配约束、IMU约束、里程计约束。Ceres Solver是Google开源的非线性优化库，性能很好，Cartographer的全局优化就靠它。

Cartographer的全局优化是实时的，每次加入新约束就增量更新。这个设计让Cartographer在大规模场景下也能保持很好的实时性。但增量更新也有缺点：如果早期有位姿估计错误，后面很难纠正，只能靠回环检测来修正。

面试追问环节

面试官：Cartographer和LOAM的主要区别是什么？

最大的区别是匹配方式。LOAM用特征点（边缘点+平面点）做点到线、点到面匹配。Cartographer不用特征，直接用栅格地图做概率匹配。LOAM的特征提取快但建图质量一般，Cartographer的栅格地图建图质量好但计算量大。另外，Cartographer有子图的概念，LOAM没有。

面试官：Cartographer适合什么场景？

Cartographer特别适合室内场景，比如办公楼、仓库、商场。它的栅格地图很适合导航和路径规划，建出来的地图干净漂亮。Google最初就是在Google Tango和Project Ara上用的Cartographer，都是室内场景。室外场景也能用，但效果不如室内好，因为室外环境特征少，栅格匹配容易退化。

面试官：Cartographer有什么局限？

计算量大，对硬件要求高。分支定界匹配虽然全局搜索能力强，但计算量比特征匹配大很多。另外，Cartographer的栅格地图是2.5D的，对三维场景的表达能力有限。还有，Cartographer对参数比较敏感，子图大小、匹配参数都要根据场景调。在嵌入式平台上跑Cartographer比较吃力，通常需要性能较好的处理器。

面试官：Cartographer的分支定界和ICP有什么区别？

ICP是迭代最近点，需要好的初始位姿，容易陷入局部最优。分支定界是全局搜索，从粗到细，不需要好的初始位姿。但分支定界的计算量大，ICP在初始位姿好的情况下收敛很快。实际使用中，Cartographer先用分支定界做粗匹配，再用ICP做精匹配，两者结合效果最好。

面试官：实际项目中用Cartographer要注意什么？

子图大小要调，太小了回环检测效果差，太大了计算量大。分支定界的搜索范围也要调，太大会很慢，太小可能漏匹配。还有，Cartographer的IMU融合和LOAM系列不一样，它用的是紧耦合方式，IMU的标定要好。栅格分辨率也是个重要参数，太高分辨率计算量大，太低分辨率匹配精度差。室内场景一般用0.05米的分辨率。

---

Cartographer和LOAM代表了激光SLAM的两种不同思路：特征匹配 vs 栅格匹配。两种方案各有优劣，面试中经常被拿来对比。实际项目中选哪个，要看具体场景和硬件条件。

Cartographer后来也支持了3D激光SLAM，用3D概率栅格做匹配。但3D版本的计算量更大，对硬件要求更高。Google开源的Cartographer代码质量很高，文档也很完善，是学习SLAM的好材料。建议跑一下官方的2D demo，感受一下栅格匹配的效果。

上一篇：第251篇 LeGO-LOAM深度解析——轻量级地面优化激光SLAM 

下一篇我们聊HDL-Graph-SLAM，另一个重要的激光SLAM方案。

如果这篇文章对你有帮助，欢迎点赞支持一下，你的鼓励是我持续更新的动力！