SLAM系统跑几分钟建一张小地图没什么问题，但如果让机器人在一个大型工厂里跑一整天，或者让自动驾驶车在城市里跑几个小时，地图的规模就会变得很大。点云数据动辄几个GB，位姿图有几十万个节点，内存和计算量都会成为瓶颈。大规模地图管理是SLAM从"玩具项目"到"工程项目"的关键一步。

地图规模大带来的问题有几个层面。内存方面，所有点云都加载在内存中，很快就会超出机器人的RAM限制。计算方面，后端优化需要对整个位姿图做优化，节点数太多计算时间就扛不住。回环检测方面，当前帧要和所有历史帧比较，历史帧太多比较时间就线性增长。这些问题不解决，SLAM系统只能做"短途旅行"。

子地图（Submap）策略

子地图是处理大规模地图最常用的方法。核心思想是把整个地图分成若干个子地图，每个子地图独立维护，子地图之间通过变换关系连接。

Cartographer是子地图策略的典型代表。它把连续的几十帧点云组成一个子地图，子地图内部做精细匹配，子地图之间做约束优化。每个子地图"完成"后就冻结，不再修改内部结构，只更新子地图之间的相对位姿。

# 子地图的管理策略
class SubmapManager:
    def __init__(self, max_frames_per_submap=90):
        self.submaps = []
        self.current_submap = Submap()
        self.max_frames = max_frames_per_submap
    
    def add_frame(self, frame):
        self.current_submap.add(frame)
        if self.current_submap.num_frames >= self.max_frames:
            self.current_submap.freeze()
            self.submaps.append(self.current_submap)
            self.current_submap = Submap()

子地图的好处很明显。内存方面，只需要把当前子地图和附近的子地图加载在内存中，远处的子地图可以存到磁盘。计算方面，子地图内部的优化范围很小，速度快。回环检测方面，当前帧只需要和每个子地图的代表帧比较，而不是和每一帧比较。

子地图的大小需要调好。太小了（比如10帧一个），子地图数量太多，子地图间的约束太多，后端优化反而变慢。太大了（比如1000帧一个），子地图内部优化慢，内存占用也大。经验值是60-120帧一个子地图，或者覆盖面积20-50平方米一个子地图。

分层地图（Hierarchical Map）

分层地图在子地图的基础上再加一层抽象。底层是原始点云数据，中间层是子地图，顶层是全局拓扑图。不同层次解决不同的问题。

全局导航用顶层就够了——知道"我在哪个子地图，相邻子地图在哪里"，不需要加载所有点云。局部避障用底层数据——需要精确的点云来检测障碍物。回环检测在中间层——和子地图级别做匹配，平衡精度和速度。

# 分层地图的结构
class HierarchicalMap:
    def __init__(self):
        self.topology = Graph()      # 顶层：子地图间的拓扑
        self.submaps = {}            # 中间层：子地图集合
        self.raw_data = DiskStore()  # 底层：原始数据存磁盘
    
    def query_for_navigation(self, position):
        submap_id = self.topology.find_nearest(position)
        return self.topology.get_neighbors(submap_id)
    
    def query_for_perception(self, position, radius):
        submap_ids = self.topology.find_within(position, radius)
        return [self.submaps[sid].get_points() for sid in submap_ids]

分层地图的好处是按需加载。机器人在某个区域工作时，只需要加载附近的几个子地图，远处的子地图不用管。如果机器人移动到新区域，就加载新区域的子地图，卸载远处的子地图。这样内存占用始终控制在一个合理范围内。

地图压缩和稀疏化

点云数据是地图中最大的存储消耗。一帧Velodyne 64线激光扫描有大约12万个点，每秒10帧，跑一个小时就是43亿个点，原始数据约50GB。压缩地图数据是大规模SLAM的刚需。

体素下采样是最简单的压缩方法。把空间分成固定大小的体素格子，每个体素中只保留一个代表点（通常是质心）。分辨率设成0.1米，可以把点数减少一到两个数量级，同时保留大部分几何结构信息。

# 体素下采样压缩地图
def compress_map(point_cloud, voxel_size=0.1):
    voxel_grid = VoxelGrid(voxel_size)
    voxel_grid.set_input(point_cloud)
    compressed = voxel_grid.downsample()
    return compressed

更高级的压缩方法会考虑点的"重要性"。边缘点、角点保留，平坦区域的点丢弃。还有方法用八叉树组织点云，自适应地在不同区域使用不同分辨率。

地图的序列化和增量更新

大规模地图不可能全部存在内存中，必须有磁盘存储和增量更新的机制。

序列化格式的选择很重要。PCD是PCL的标准格式，支持二进制模式读写速度快。LAS/LAZ是地理信息领域的格式，LAZ支持压缩文件小。自定义二进制格式灵活性最高。

增量更新指的是机器人一边建图一边保存，而不是等全部建完再保存。每次子地图"冻结"后就写入磁盘。如果系统意外崩溃，已经保存的子地图不会丢失，重启后可以从上次保存的位置继续。

# 增量保存策略
def on_submap_complete(submap):
    # 序列化到磁盘
    filename = f"submap_{submap.id}.bin"
    submap.save(filename)
    # 更新索引
    index.add_entry(submap.id, submap.bounds, filename)
    # 内存中只保留元数据
    submap.unload_points()

面试追问环节

面试官：Cartographer的子地图策略具体怎么实现的？

Cartographer把连续的激光扫描帧组成子地图，每个子地图大约90帧。新帧加入当前子地图时，用Ceres做局部优化（扫描匹配）。子地图满了就冻结，变成"完成的子地图"。之后新帧只和完成的子地图做回环检测（用分支定界加速），检测到回环后在全局优化中更新子地图间的相对位姿。这种设计让前端保持实时，后端在后台异步优化。

面试官：子地图之间怎么保证全局一致性？

子地图之间的约束来自两部分：相邻子地图的帧间匹配约束，和回环检测给出的远距离约束。所有子地图的位姿放在一个全局位姿图中优化（Cartographer用Ceres Solver做这个优化）。优化的结果是所有子地图的全局位姿。子地图内部的点云不动，只更新子地图的位姿，内部点云跟着做刚体变换。这样既保证了全局一致性，又不需要重新优化子地图内部。

面试官：八叉树在地图管理中怎么用的？

OctoMap用八叉树存储三维占据概率地图。每个节点表示一个立方体区域，包含被占据的概率。八叉树的好处是自适应分辨率——空旷区域用大节点，细节区域用小节点。同样的场景，八叉树比体素格子节省很多内存，而且支持概率更新。

面试官：地图压缩会丢失多少信息？

体素下采样的信息丢失和分辨率直接相关。0.1米分辨率在室内场景几乎不丢信息（室内物体尺寸通常大于0.1米）。0.5米分辨率会丢失小物体的细节，但大结构还在。2米分辨率只保留大轮廓。实际项目中，压缩率通常在5到50倍之间。对于导航用途，0.1-0.2米的分辨率够了，压缩10-20倍。对于可视化用途，0.5米也够了，压缩50倍以上。

面试官：多机器人建图时地图怎么合并？

多机器人各自建子地图，合并时需要解决坐标系对齐和地图融合两个问题。坐标系对齐可以用共享区域的点云配准找变换关系。地图融合需要处理重叠区域的冲突，用加权平均处理，不确定度小的地图权重更大。Kimera-Multi是做多机器人SLAM的代表工作。

---

大规模地图管理是SLAM工程化的核心挑战之一。子地图策略把大问题拆成小问题，分层地图按需加载控制内存，地图压缩减少存储开销。这些技术的组合让SLAM系统可以处理城市级别的大规模场景。

从学术角度看，大规模SLAM的研究重点是算法效率和一致性保证。从工程角度看，重点是系统稳定性和资源管理。两者都很重要，面试中被问到的概率也很高。

上一篇：第258篇 动态环境SLAM——处理运动物体的挑战与方案 

下一篇我们聊重定位技术，看看机器人在已知地图中如何确定自己的位置。

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！