Cartographer 参数实战调优指南

标签

ROS2-humble

ROS

cartographer

SLAM

实战指南

参数调优

字数

6442 字

阅读时间

26 分钟

NOTE

本文档基于实战经验，提供 Cartographer 参数调优的实用指南

配合官方参数文档使用效果更佳

文档导航

本文档是 Cartographer 文档体系的一部分，建议配合以下文档阅读：

官方配置参数参考 - 完整的参数列表和定义
ROS Lua 配置参考 - ROS 集成配置说明
算法调优指南 - 算法原理和调优理论
调优方法论 - 系统化的调优方法
FAQ - 常见问题解答

1. 引言

Cartographer 的参数调整对建图和定位都有很大的影响。本文档旨在提供实用的调参指南，不仅介绍各个参数的作用，更重要的是说明：

调整参数时需要考虑的因素
调整后会产生什么影响
如何根据实际情况选择参数值
常见问题的解决方案

1.1 文档结构

第 2-3 节：Cartographer 架构和传感器作用
第 4 节：传感器参数配置详解
第 5 节：前端参数调整（重点）
第 6 节：后端参数调整
第 7 节：3D SLAM 特殊考虑
第 8 节：参数速查表
第 9 节：调参实战指南
第 10 节：常见问题与解决方案

1.2 参数文件位置

参数文件分别散落在 cartographer 和 cartographer_ros 两个项目里：

Cartographer 核心参数：cartographer/configuration_files/

trajectory_builder_2d.lua - 2D 轨迹构建器配置
trajectory_builder_3d.lua - 3D 轨迹构建器配置
pose_graph.lua - 位姿图优化配置
map_builder.lua - 地图构建器配置

Cartographer ROS 参数：cartographer_ros/configuration_files/

各种示例配置文件（backpack_2d.lua、backpack_3d.lua 等）

2. Cartographer 架构与数据流

2.1 传感器概述

Cartographer 接收的传感器数据主要有三种：

激光雷达：主导传感器，用于建图的核心数据源
IMU：辅助传感器，提供角速度信息
里程计：辅助传感器，提供线速度信息

实际使用中，最好三种传感器一起使用。IMU 和里程计少了任意一个，建图效果都会不理想，这是由于 Cartographer 对多传感器融合的实现较为简单粗暴导致的。

2.2 前端与后端的职责划分

前端部分主要负责：

点云匹配
生成 Submap（子图）

后端部分主要负责：

全局优化
消除累计误差

3. 传感器在前端和后端中的作用

3.1 前端部分

激光雷达

点云直接用于生成 Submap，第一帧点云初始化第一幅 Submap
后续点云与当前生成中的 Submap 进行 scan-to-map 的匹配，用于估算每一帧点云的位移
匹配的位移也用于下一帧点云匹配前的位姿推算
Cartographer 会根据两次匹配位姿的距离和时间差估算角速度和线速度，用于计算下一帧点云可能的位置
新来的点云就直接在预估位置附近做匹配

IMU

参与下一个时间点的位姿估算
当输入 IMU 数据后，点云匹配前将会用 IMU 的角速度和匹配位姿的线速度来估算下一帧点云可能的位置

里程计

参与下一个时间点的位姿估算
当提供里程计数据后，不再使用匹配位姿来估算线速度
直接用里程计的线速度和 IMU 的角速度来估算下一帧点云可能的位置

3.2 后端部分

激光雷达

后端的主要作用有两个：

scan-to-map 匹配做回环检测
前端产生的匹配位姿之间的相对位姿作为约束参与后端的全局优化

优化的目的是为了尽可能消除累计误差

IMU

2D SLAM 时 IMU 数据在后端没有任何作用
3D SLAM 时 IMU 用于测量重力方向和姿态估计

里程计

使用两帧里程计数据的相对位姿作为约束参与后端优化
里程计数据短时间内必须足够准确，否则得到的相对位姿误差大，会导致全局优化出来的地图效果更差

4. 传感器参数配置详解

4.1 激光雷达参数

运动畸变矫正参数

参数： num_subdivisions_per_laser_scan 和 num_accumulated_range_data

作用：

num_subdivisions_per_laser_scan：将一帧点云切成 N 份，然后均匀估算每一份的时间戳
num_accumulated_range_data：将 N 份点云合并成 1 份

示例：

lua

options = {
  ...
  num_subdivisions_per_laser_scan = 1, -- 指定将一帧点云切成 N 份，然后均匀估算每一份的时间戳，一般为 1
  ...
}

TRAJECTORY_BUILDER_2D.num_accumulated_range_data = 1 -- 将 N 份点云合并成 1 份

工作原理： 合并过程中会根据每一份点云的时间戳估算它应该在的位置和角度。

重要提示：

运动畸变矫正非常依赖里程计和 IMU
- 里程计估算线速度
- IMU 估算角速度
如果没有接入这两个传感器，或者其中一个的精度非常差，最好把畸变矫正关闭
关闭方法：把两个参数都设置成 1
不当的矫正会比不矫正的偏差还大
关闭运动畸变后，需要在建图时尽可能慢速移动，让雷达扫描不会产生太大的畸变，从而减少累计误差提高建图质量

有效距离限制

参数： TRAJECTORY_BUILDER_2D.min_range 和 TRAJECTORY_BUILDER_2D.max_range

作用：

min_range：过滤掉雷达周围的遮挡物
max_range：限制点云的最大有效距离

示例：

lua

-- 用于限制点云的有效距离
TRAJECTORY_BUILDER_2D.min_range = 0.15
TRAJECTORY_BUILDER_2D.max_range = 5.0

调参技巧：

max_range 不是越大越好
- 过大会增加计算量
- 测量距离较远时噪声变大
- 点间距稀疏会带来更多的累计误差
- 影响建图质量
建议：在目标工作场景下录个包，反复测试观察不影响 scan-to-map 匹配的最小距离作为参数值
验证方法：观察雷达移动后 Cartographer 匹配的点云位置有没有做出相应的移动

体素滤波

参数： voxel_filter_size

作用：

降低点云密度
限制两个点之间的最小距离

示例：

lua

-- 体素滤波的大小设置，用来降低点云密度
TRAJECTORY_BUILDER_2D.voxel_filter_size = 0.05

效果：

调大可以降低计算量，但建图质量也会降低
常用值：0.025（2.5cm）或 0.05（5cm）

点云输入频率限制

参数： rangefinder_sampling_ratio

作用：

限制点云数据输入频率
一般维持在 12Hz 左右的输入就好

示例：

lua

options = {
  ...
  rangefinder_sampling_ratio = 1., -- 点云数据输入频率限制
  ...
}

调参技巧：

如果雷达输出频率为 30Hz，可以将此参数设置为 0.33，仅保留 33% 的输入
如果机器内存和算力充足，越大越好
根据实际情况调整

4.2 里程计参数

参数： use_odometry

作用：

打开里程计数据输入

示例：

lua

options = {
  ...
  use_odometry = true, -- 是否使用里程计，如果使用要求一定要有 odom 的 tf
  ...
}

传感器选型建议：

关注短时间内的精度
里程计的广义定义：不一定只能是轮式里程计
- 可以是视觉 SLAM 框架输出的位姿
- 任何格式和表现形式与轮式里程计一样的数据都可以

4.3 IMU 参数

参数： TRAJECTORY_BUILDER_2D.use_imu_data

示例：

lua

TRAJECTORY_BUILDER_2D.use_imu_data = false -- 打开 IMU 数据输入

作用：

打开 IMU 数据输入

传感器选型建议：

IMU 数据只使用了角速度来估计旋转运动
可以选择对旋转有着高精度测量的任意惯性器件
线速度的测量精度可以不在意

注意：

3D SLAM 中 IMU 是必需的
2D SLAM 中 IMU 是可选的

5. 前端参数调整

参数配置文件：trajectory_builder_2d.lua

5.1 调参前的准备工作

在调整前端参数之前，最好先关闭后端，方便观察参数调整后对建图的直接影响。

关闭后端的方法： 将以下三个参数设置成 0：

lua

-- 可以将下面三个参数设置成 0 来关闭后端
POSE_GRAPH.optimize_every_n_nodes = 0
POSE_GRAPH.constraint_builder.sampling_ratio = 0
POSE_GRAPH.global_sampling_ratio = 0

5.2 Submap 生成参数

核心参数：submaps.num_range_data

这是前端中最重要的参数，决定了用多少帧点云来构造一幅 Submap。

Submap 的概念：

Submap 是基于图优化的 SLAM 算法的精髓
使用很多幅 Submap 来构成一幅大地图
每个 Submap 包含若干个 Node，每个 Node 就是一帧点云
建图过程中的累计误差通过后端的图优化算法调整每一副 Submap 的位姿来消除，让整体地图形成最优

示例：

lua

-- 用多少帧点云来构造一副 Submap，取值越小，每一副 Submap 内的累计误差就会越小
TRAJECTORY_BUILDER_2D.submaps.num_range_data = 90

参数取值策略

推荐值： 30 / 60 / 90

取值需要从两个角度考虑：

1. 累计误差角度

累计误差来源：

点云匹配误差
传感器误差

策略：

参数值越小，每一副 Submap 内的累计误差就会越小
如果传感器质量很差，建议设置成 30
- 让前端生成尽可能多的 Submap
- 每一副 Submap 的累计误差尽可能少
- 后端参数调得合适，最终得到的地图质量就是最好的
如果传感器质量非常好，可以设置成 90
- 既不影响建图质量
- 也能降低计算资源需求

2. 性能角度

考虑因素：

参数值越小，生成的 Submap 越多
- 需要消耗更多内存
- 后端优化需要更多算力
如果 CPU 性能不够
- 会让整个 SLAM 算法无法实时运行
- 建图和定位都会出现延迟

5.3 点云匹配器参数

前端中有两个匹配器：

Real Time Correlative Scan Match (RTCSM)
Ceres Scan Match

Real Time Correlative Scan Match

开关参数： use_online_correlative_scan_matching

示例：

lua

TRAJECTORY_BUILDER_2D.use_online_correlative_scan_matching = true -- RTCSM 匹配器开关

作用：

在 Submap 构建流程中的第一个匹配器
用于较大范围较粗略的搜索点云在 Submap 上的位置
目的是尽可能消除传感器带来的误差

工作原理：

在点云匹配前，Cartographer 会利用先前的位姿加上 IMU 和里程计的角速度线速度来预测当前点云可能的位置
如果里程计和 IMU 质量比较差，很可能预测出错误的结果
导致第二个匹配器在有限的迭代步骤内无法匹配出正确的位姿
从而给 Submap 带来点云匹配的累计误差

误差特征：

因为匹配失败带来的误差是无法消除的
一旦插入了 Submap，就会永远出现在地图上
表现为一面墙在地图上有两条黑线或者很糊很厚

使用建议：

在 IMU 和里程计不可靠或者没有这两个传感器的情况下，最好打开 use_online_correlative_scan_matching

搜索窗口参数

关键参数：

real_time_correlative_scan_matcher.linear_search_window（单位：米）
real_time_correlative_scan_matcher.angular_search_window（单位：弧度）

示例：

lua

TRAJECTORY_BUILDER_2D.real_time_correlative_scan_matcher.linear_search_window = 1  -- 在预测位置的平移半径内进行搜索，单位是米
TRAJECTORY_BUILDER_2D.real_time_correlative_scan_matcher.angular_search_window = math.rad(90)  -- 在预测位置的旋转角度范围内进行搜索，单位是弧度

作用： 指定 RTCSM 在预测位置的平移半径和旋转角度范围内进行搜索

调参原则：

搜索窗口在保证可靠性的情况下越小越好
过大会导致计算耗时非常久，前端无法实时更新

搜索窗口调参技巧

推荐方法：

先把两个值都设置得很大
- 例如：linear_search_window = 1
- 例如：angular_search_window = math.rad(90)
修改 Cartographer 源码
- 位置：local_trajectory_builder_2d.cc 里的 AddAccumulatedRangeData 函数
- 记录函数内的预测位姿 pose_prediction 和最终匹配位姿 pose_estimate_2d
建图完成后计算
- 计算全部预测位姿和匹配位姿中的最大距离差和角度差
- 把这个差值作为两个搜索窗口的参数值

性能优化：

如果 IMU 和里程计都非常可靠，精度非常高
预测位姿和匹配位姿的差很小很小
可以尝试关闭 RTCSM 匹配器，节约计算资源

6. 后端参数调整

参数配置文件：pose_graph.lua

6.1 后端优化频率

参数： POSE_GRAPH.optimize_every_n_nodes

示例：

lua

POSE_GRAPH.optimize_every_n_nodes = 30

作用：

控制全局优化的频率
每插入 N 个节点后执行一次优化

调参策略：

高质量建图模式（离线）：

推荐值：90 或更大
优点：优化更充分，地图质量更好
缺点：计算量大，可能不实时

实时建图模式（在线）：

推荐值：30-60
平衡实时性和地图质量

纯定位模式：

推荐值：5-10
需要快速响应回环

调试模式：

设置为 0 关闭后端优化
方便观察前端参数的直接影响

6.2 约束构建参数

采样率控制

参数：

POSE_GRAPH.constraint_builder.sampling_ratio
POSE_GRAPH.global_sampling_ratio

示例：

lua

POSE_GRAPH.constraint_builder.sampling_ratio = 0.3
POSE_GRAPH.global_sampling_ratio = 0.01

作用：

控制用于构建约束的节点采样比例
降低计算量

调参策略：

sampling_ratio：局部约束采样，推荐 0.3
global_sampling_ratio：全局约束采样，推荐 0.003-0.01
纯定位模式：两者都应大幅降低（如 0.01 和 0.0001）

约束搜索窗口

参数：

lua

POSE_GRAPH.constraint_builder.max_constraint_distance
POSE_GRAPH.constraint_builder.fast_correlative_scan_matcher.linear_search_window
POSE_GRAPH.constraint_builder.fast_correlative_scan_matcher.angular_search_window

调参策略：

max_constraint_distance：约束最大距离，2D 推荐 15m，3D 推荐 15m
linear_search_window：线性搜索窗口，推荐 7m
angular_search_window：角度搜索窗口，推荐 30度（math.rad(30)）

性能优化：

减小搜索窗口可以提升速度
但可能错过回环机会
根据场景大小调整

6.3 优化问题权重

关键参数：

lua

POSE_GRAPH.optimization_problem.huber_scale
POSE_GRAPH.optimization_problem.odometry_translation_weight
POSE_GRAPH.optimization_problem.odometry_rotation_weight
POSE_GRAPH.optimization_problem.local_slam_pose_translation_weight
POSE_GRAPH.optimization_problem.local_slam_pose_rotation_weight

调参策略：

使用里程计时：

如果里程计很准确：
- odometry_translation_weight = 1e2
- odometry_rotation_weight = 1e2
如果里程计旋转不准（轮式编码器常见）：
- odometry_rotation_weight = 0 或很小的值
- odometry_translation_weight = 1e2

局部 SLAM 权重：

默认值通常就很好：
- local_slam_pose_translation_weight = 1e5
- local_slam_pose_rotation_weight = 1e5

Huber 损失函数：

huber_scale：控制异常值影响
2D 推荐：1e1
3D 推荐：5e1
值越大，异常值影响越大

6.4 回环检测参数

参数：

lua

POSE_GRAPH.constraint_builder.min_score
POSE_GRAPH.constraint_builder.loop_closure_translation_weight
POSE_GRAPH.constraint_builder.loop_closure_rotation_weight

调参策略：

匹配分数阈值：

min_score：回环检测的最小匹配分数
2D 推荐：0.55
3D 推荐：0.55
提高可以减少误匹配，但可能错过真实回环

回环约束权重：

loop_closure_translation_weight = 1.1e4
loop_closure_rotation_weight = 1e5
调大会增强回环约束的作用

7. 3D SLAM 特殊考虑

7.1 IMU 的必要性

在 3D SLAM 中 IMU 是必需的：

用于测量重力方向
提供初始姿态估计
大幅降低扫描匹配复杂度

关键参数：

lua

TRAJECTORY_BUILDER_3D.imu_gravity_time_constant = 10

7.2 双分辨率点云

3D 使用两个分辨率的混合栅格：

lua

TRAJECTORY_BUILDER_3D.submaps.high_resolution = 0.10
TRAJECTORY_BUILDER_3D.submaps.low_resolution = 0.45
TRAJECTORY_BUILDER_3D.high_resolution_adaptive_voxel_filter.max_range = 15
TRAJECTORY_BUILDER_3D.low_resolution_adaptive_voxel_filter.max_range = 60

调参策略：

高分辨率用于近距离匹配（15m 内）
低分辨率用于远距离匹配（60m 内）
根据传感器最大量程调整

7.3 旋转权重

3D 中旋转自由度更多：

lua

TRAJECTORY_BUILDER_3D.ceres_scan_matcher.rotation_weight = 4e2

调参建议：

通常需要比 2D 更高的旋转权重
防止在垂直方向上的漂移

8. 参数速查表

8.1 传感器配置速查

参数	2D 推荐值	3D 推荐值	说明
`min_range`	0.3	0.3	最小有效距离（米）
`max_range`	25	25-60	最大有效距离（米）
`voxel_filter_size`	0.025-0.05	0.05-0.10	体素滤波尺寸（米）
`num_accumulated_range_data`	1-10	160	累积点云帧数
`use_imu_data`	false/true	true	是否使用 IMU（3D 必需）
`use_odometry`	true	true	是否使用里程计
`rangefinder_sampling_ratio`	0.3-1.0	0.3-1.0	点云采样率

8.2 前端参数速查

参数	低质量传感器	高质量传感器	说明
`submaps.num_range_data`	30	90	子图包含点云帧数
`submaps.resolution` (2D)	0.05	0.05	子图分辨率（米）
`use_online_correlative_scan_matching`	true	false	是否使用实时相关匹配
`real_time_correlative_scan_matcher.linear_search_window`	0.2	0.1	线性搜索窗口（米）
`real_time_correlative_scan_matcher.angular_search_window`	0.35	0.2	角度搜索窗口（弧度）
`ceres_scan_matcher.translation_weight`	1e2	1e2	平移权重
`ceres_scan_matcher.rotation_weight`	4e2	4e2	旋转权重

8.3 后端参数速查

参数	实时模式	离线模式	纯定位	说明
`optimize_every_n_nodes`	30-60	90	5-10	优化频率
`constraint_builder.sampling_ratio`	0.3	0.3	0.01	约束采样率
`global_sampling_ratio`	0.003	0.003	0.0001	全局采样率
`constraint_builder.min_score`	0.55	0.65	0.55	回环检测分数阈值
`constraint_builder.max_constraint_distance`	15	15	15	约束最大距离（米）
`max_num_final_iterations`	200	400	200	最终优化迭代次数

8.4 性能优化速查

降低延迟：

lua

# 减少优化频率
optimize_every_n_nodes = 更大的值

# 降低采样率
constraint_builder.sampling_ratio = 更小的值
global_sampling_ratio = 更小的值

# 增大体素尺寸
voxel_filter_size = 更大的值

# 降低分辨率
submaps.resolution = 更大的值 (2D)
submaps.high_resolution = 更大的值 (3D)

# 降低点云输入频率
rangefinder_sampling_ratio = 更小的值

提高质量：

lua

# 增加优化频率
optimize_every_n_nodes = 更小的值

# 减小子图大小
submaps.num_range_data = 更小的值

# 提高分辨率
submaps.resolution = 更小的值 (2D)
submaps.high_resolution = 更小的值 (3D)

# 增加最终优化迭代
max_num_final_iterations = 更大的值

9. 调参实战指南

9.1 调参流程建议

步骤 1：评估传感器质量

检查激光雷达、IMU、里程计的精度
确定是否需要运动畸变矫正
记录传感器的技术规格

步骤 2：设置基础参数

配置传感器输入（激光雷达、IMU、里程计）
设置有效距离范围
配置体素滤波尺寸

步骤 3：调整前端参数

关闭后端（设置 optimize_every_n_nodes = 0）
调整 submaps.num_range_data
配置点云匹配器参数
观察建图效果

步骤 4：调整后端参数

重新打开后端
设置优化频率
调整约束构建参数
配置回环检测参数

步骤 5：迭代测试与验证

录制测试包
反复调整参数
观察建图效果
记录最佳参数组合

9.2 调参技巧

1. 从默认值开始

先使用官方示例配置
在此基础上逐步调整
每次只调整一个参数

2. 建立测试流程

录制标准测试包
包含各种典型场景
方便对比不同参数的效果

3. 关注关键指标

地图一致性
回环成功率
计算延迟
内存占用

4. 记录调参过程

记录每次调整的参数
记录对应的效果
建立参数调整日志

10. 常见问题与解决方案

10.1 地图重影（墙体出现双线）

症状：

一面墙在地图上有两条黑线或者很糊很厚
表明扫描匹配失败

原因：

点云匹配失败导致的累计误差
IMU/里程计不可靠导致位姿预测错误
RTCSM 匹配器未启用或搜索窗口太小

解决方案：

打开 RTCSM 匹配器：

lua

TRAJECTORY_BUILDER_2D.use_online_correlative_scan_matching = true

增大搜索窗口：

lua

TRAJECTORY_BUILDER_2D.real_time_correlative_scan_matcher.linear_search_window = 0.2
TRAJECTORY_BUILDER_2D.real_time_correlative_scan_matcher.angular_search_window = math.rad(30)

降低移动速度进行建图
改善传感器质量或校准传感器

10.2 建图延迟

症状：

SLAM 算法无法实时运行
建图和定位都出现延迟
CPU 占用率持续 100%

原因：

计算资源不足
参数配置过于精细
点云数据量过大

解决方案：

增大子图大小：

lua

TRAJECTORY_BUILDER_2D.submaps.num_range_data = 90  -- 从30增加到90

降低点云输入频率：

lua

options = {
   ...
   rangefinder_sampling_ratio = 0.33, -- 降低到33%
   ...
}

增大体素滤波尺寸：

lua

TRAJECTORY_BUILDER_2D.voxel_filter_size = 0.05  -- 从0.025增加到0.05

降低后端优化频率：

lua

POSE_GRAPH.optimize_every_n_nodes = 90  -- 增大优化间隔

降低约束采样率：

lua

POSE_GRAPH.constraint_builder.sampling_ratio = 0.1
POSE_GRAPH.global_sampling_ratio = 0.001

10.3 累计误差过大

症状：

建图过程中地图逐渐偏移
回环时无法正确匹配
整体地图扭曲

原因：

Submap 包含帧数过多
传感器质量差
移动速度过快
运动畸变未正确处理

解决方案：

减小子图大小：

lua

TRAJECTORY_BUILDER_2D.submaps.num_range_data = 30  -- 减少到30

如果传感器质量差，关闭运动畸变矫正：

lua

options = {
   ...
   num_subdivisions_per_laser_scan = 1,
   ...
}
TRAJECTORY_BUILDER_2D.num_accumulated_range_data = 1

降低移动速度
改善传感器质量
增加优化频率：
lua
```
POSE_GRAPH.optimize_every_n_nodes = 30
```

10.4 回环检测失败

症状：

回到起点时无法识别
后端无法消除累计误差
地图存在明显重复

原因：

回环检测阈值过高
搜索窗口过小
采样率过低

解决方案：

降低匹配分数阈值：

lua

POSE_GRAPH.constraint_builder.min_score = 0.45  -- 从0.55降低到0.45

增大搜索窗口：

lua

POSE_GRAPH.constraint_builder.fast_correlative_scan_matcher.linear_search_window = 10
POSE_GRAPH.constraint_builder.fast_correlative_scan_matcher.angular_search_window = math.rad(45)

增加采样率：

lua

POSE_GRAPH.global_sampling_ratio = 0.01  -- 提高全局采样率

10.5 IMU 数据异常

症状：

地图旋转异常
位姿估计不稳定
建图质量很差

原因：

IMU 未正确校准
IMU 坐标系配置错误
IMU 数据噪声过大

解决方案：

2D SLAM 中可以尝试关闭 IMU：

lua

TRAJECTORY_BUILDER_2D.use_imu_data = false

检查并正确配置 IMU 坐标系
校准 IMU 传感器
3D SLAM 中 IMU 是必需的，必须解决 IMU 问题

10.6 里程计数据异常

症状：

位姿预测偏差很大
扫描匹配经常失败
后端优化后地图质量变差

原因：

里程计不准确
里程计坐标系配置错误
短时间内累计误差大

解决方案：

降低里程计权重：

lua

POSE_GRAPH.optimization_problem.odometry_translation_weight = 1e1  -- 降低权重
POSE_GRAPH.optimization_problem.odometry_rotation_weight = 0  -- 轮式编码器旋转不可靠

尝试不使用里程计：

lua

options = {
   ...
   use_odometry = false,
   ...
}

校准或更换里程计传感器
打开 RTCSM 匹配器补偿里程计误差

11. 总结

Cartographer 的参数调整需要综合考虑传感器质量、运行平台性能和实际应用场景。通过理解每个参数的作用机制和调整策略，可以针对性地优化建图效果。

关键要点

没有万能的参数配置
- 需要根据实际情况不断测试调整
- 不同场景可能需要不同的参数
前端和后端参数需要配合优化
- 前端负责局部精度
- 后端负责全局一致性
- 两者需要平衡
传感器质量是建图质量的基础
- 好的传感器可以使用更简单的参数
- 差的传感器需要更精细的调参
- 必要时需要改善或更换传感器
性能和质量需要权衡
- 实时系统需要降低计算量
- 离线系统可以追求最佳质量
- 根据应用场景选择优先级
系统化调参
- 建立标准测试流程
- 记录调参过程和结果
- 逐步迭代优化

12. 参考资源

官方文档

源码

cartographer 项目：核心 SLAM 算法
cartographer_ros 项目：ROS 集成
参数配置文件：trajectory_builder_2d.lua、pose_graph.lua

社区资源

贡献者

Cody Gu

页面历史

最后编辑于 1 分钟前

查看完整历史

Cartographer 参数实战调优指南 ​

文档导航 ​

1. 引言 ​

1.1 文档结构 ​

1.2 参数文件位置 ​

2. Cartographer 架构与数据流 ​

2.1 传感器概述 ​

2.2 前端与后端的职责划分 ​

3. 传感器在前端和后端中的作用 ​

3.1 前端部分 ​

激光雷达 ​

IMU ​

里程计 ​

3.2 后端部分 ​

激光雷达 ​

IMU ​

里程计 ​

4. 传感器参数配置详解 ​

4.1 激光雷达参数 ​

运动畸变矫正参数 ​

有效距离限制 ​

体素滤波 ​

点云输入频率限制 ​

4.2 里程计参数 ​

4.3 IMU 参数 ​

5. 前端参数调整 ​

5.1 调参前的准备工作 ​

5.2 Submap 生成参数 ​

核心参数：submaps.num_range_data ​

参数取值策略 ​

5.3 点云匹配器参数 ​

Real Time Correlative Scan Match ​

搜索窗口参数 ​

搜索窗口调参技巧 ​

6. 后端参数调整 ​

6.1 后端优化频率 ​

6.2 约束构建参数 ​

采样率控制 ​

约束搜索窗口 ​

6.3 优化问题权重 ​

6.4 回环检测参数 ​

7. 3D SLAM 特殊考虑 ​

7.1 IMU 的必要性 ​

7.2 双分辨率点云 ​

7.3 旋转权重 ​

8. 参数速查表 ​

8.1 传感器配置速查 ​

8.2 前端参数速查 ​

8.3 后端参数速查 ​

8.4 性能优化速查 ​

9. 调参实战指南 ​

9.1 调参流程建议 ​

9.2 调参技巧 ​

1. 从默认值开始 ​

2. 建立测试流程 ​

3. 关注关键指标 ​

4. 记录调参过程 ​

10. 常见问题与解决方案 ​

10.1 地图重影（墙体出现双线） ​

10.2 建图延迟 ​

10.3 累计误差过大 ​

10.4 回环检测失败 ​

10.5 IMU 数据异常 ​

10.6 里程计数据异常 ​

11. 总结 ​

关键要点 ​

12. 参考资源 ​

官方文档 ​

源码 ​

社区资源 ​

相关工具 ​

贡献者

页面历史

Cartographer 参数实战调优指南

文档导航

1. 引言

1.1 文档结构

1.2 参数文件位置

2. Cartographer 架构与数据流

2.1 传感器概述

2.2 前端与后端的职责划分

3. 传感器在前端和后端中的作用

3.1 前端部分

激光雷达

IMU

里程计

3.2 后端部分

激光雷达

IMU

里程计

4. 传感器参数配置详解

4.1 激光雷达参数

运动畸变矫正参数

有效距离限制

体素滤波

点云输入频率限制

4.2 里程计参数

4.3 IMU 参数

5. 前端参数调整

5.1 调参前的准备工作

5.2 Submap 生成参数

核心参数：submaps.num_range_data

参数取值策略

5.3 点云匹配器参数

Real Time Correlative Scan Match

搜索窗口参数

搜索窗口调参技巧

6. 后端参数调整

6.1 后端优化频率

6.2 约束构建参数

采样率控制

约束搜索窗口

6.3 优化问题权重

6.4 回环检测参数

7. 3D SLAM 特殊考虑

7.1 IMU 的必要性

7.2 双分辨率点云

7.3 旋转权重

8. 参数速查表

8.1 传感器配置速查

8.2 前端参数速查

8.3 后端参数速查

8.4 性能优化速查

9. 调参实战指南

9.1 调参流程建议

9.2 调参技巧

1. 从默认值开始

2. 建立测试流程

3. 关注关键指标

4. 记录调参过程

10. 常见问题与解决方案

10.1 地图重影（墙体出现双线）

10.2 建图延迟

10.3 累计误差过大

10.4 回环检测失败

10.5 IMU 数据异常

10.6 里程计数据异常

11. 总结

关键要点

12. 参考资源

官方文档

源码

社区资源

相关工具