共计 1428 个字符，预计需要花费 4 分钟才能阅读完成。

Cartographer 参数详解：从入门到精通的避坑指南

背景痛点

Cartographer 作为 Google 开源的 SLAM 算法，以其高精度和鲁棒性著称，但它的参数体系复杂，对新手来说学习曲线陡峭。常见的配置错误包括：

• 建图漂移 ：由于前端匹配参数不当，导致局部地图累积误差快速增大
• 计算资源浪费 ：后端优化参数过于激进，CPU 占用率飙升但精度提升有限
• 内存爆炸 ：submaps_to_keep 设置过大，长期运行后内存耗尽

这些问题的根源在于没有理解参数之间的相互影响关系。下面我们就来系统解析 Cartographer 的核心参数。

参数分类

Cartographer 的参数可以按功能划分为三大类：

核心参数详解

1. TRAJECTORY_BUILDER_2D.scans_per_accumulation

这个参数控制累积多少帧激光雷达数据后进行一次扫描匹配。设置过小会增加计算负担，设置过大会降低实时性。经验公式：

# 推荐值 = 激光雷达频率 / 期望的匹配频率
# 例如 10Hz 雷达，想要 5Hz 匹配，则设置为 2
scans_per_accumulation = 2

2. voxel_filter_size

体素滤波尺寸，对点云进行降采样。与雷达精度相关：

• 高精度雷达 (如 HDL-32E)：0.05~0.1m
• 普通雷达 (如 RPLIDAR)：0.1~0.15m

3. submaps_to_keep

控制保留的子地图数量，直接影响内存占用。测试数据如下：

| submaps_to_keep | 内存占用 (MB) |
|-----------------|--------------|
| 10              | 320          |
| 20              | 580          |
| 50              | 1200         |

参数模板

以下是经过验证的参数配置模板 (ROS 格式)：

# 前端参数
TRAJECTORY_BUILDER_2D:
  scans_per_accumulation: 2
  voxel_filter_size: 0.1

# 后端参数
POSE_GRAPH:
  max_num_iterations: 50  # Ceres 优化迭代次数
  global_sampling_ratio: 0.003  # 全局优化采样率

# 资源参数
  submaps_to_keep: 20
  num_background_threads: 4

性能调优黄金法则

1. 雷达频率匹配原则 ：scans_per_accumulation = 雷达频率 / 期望处理频率
2. 体素滤波尺寸 ：约为雷达测距精度的 2 - 3 倍
3. Ceres 优化收敛 ：max_num_iterations 通常 30-50 足够，更多迭代边际效益递减
4. 内存控制 ：submaps_to_keep=20 在大多数场景下平衡了精度和资源消耗

互动挑战

尝试在以下场景调参：
– 环境：20m x 20m 室内环境
– 设备：10Hz 2D 激光雷达
– 要求：CPU 占用 <50%，内存 <500MB

欢迎分享你的参数配置和测试结果！

结语

Cartographer 参数调优是一门实践艺术。理解参数背后的原理，结合具体场景进行微调，才能发挥算法的最佳性能。希望这篇指南能帮助你避开常见的参数陷阱，快速掌握 Cartographer 的精髓。