Gmapping参数详解：粒子滤波、激光匹配与建图调参避坑指南

最近在帮朋友调一台差速底盘机器人的建图效果，地图走着走着就错位，回环死活闭合不上。查了一圈，问题不在算法选型，而在于Gmapping那一堆参数根本没理解透。网上关于Gmapping参数的解释零零散散，官方wiki也只是罗列了一下含义，实际调起来还是一头雾水。所以这篇帖子打算把Gmapping的各个参数一次性说清楚，包括我在实际项目里的测试经验和踩坑记录。文章会不定期更新，后面如果有了新的解析心得，我也会持续补进来。

这篇内容适合刚接触ROS和2D激光SLAM的开发者，也适合那些已经在跑Gmapping但地图质量不理想、想系统调参的人。我会先从算法机制讲起，再逐组拆解参数，最后给出一套实操调参流程和常见问题排查表。争取看完之后，你拿到一台新机器人，能有一套明确的调参思路，而不是靠运气瞎试。

1. 先理解Gmapping到底在干什么

1.1 粒子滤波与Rao-Blackwellization的简版解释

Gmapping是基于粒子滤波的2D激光SLAM方案，核心思路是用一组带权重的粒子来表示机器人位姿轨迹的后验分布。每个粒子代表一条完整的运动轨迹假设，粒子携带的地图就是这个轨迹下的环境估计。随着激光扫描不断进来，算法会利用当前帧与地图的匹配程度给粒子打分，也就是更新权重。分数高的粒子保留，分数低的被淘汰，最后用所有粒子的加权平均得到当前最可能的位姿和地图。

这里有个关键名词叫Rao-Blackwellization，翻译成大白话就是：把地图和轨迹分开处理。轨迹部分用粒子滤波去估计，地图部分则在给定轨迹的条件下用栅格方式解析计算。这样做的好处是降低了采样空间的维度，粒子数量不用太多也能维持不错的精度。理解这一点很重要，因为后面很多参数——比如粒子数、重采样阈值、运动噪声系数——本质上都是在和“粒子分布质量”做博弈。

从直观感受来说，粒子数越多，轨迹假设越丰富，建图越稳，但CPU占用也直线上升。运动模型噪声设得太大，粒子会散得像无头苍蝇；设得太小，一旦里程计出现打滑，粒子又追不上真实位姿。激光匹配参数则影响每一帧扫描与地图对齐的精细程度。整套参数就是在这几个互相制约的因素之间找平衡。

1.2 参数分类总览

Gmapping涉及的参数虽然多，但可以分成四组来记忆，调参时也建议按组来动，不要东改一个西改一个。

下面的章节就按这个分类逐个拆开讲，每个参数都会给默认值、合理范围、调整逻辑以及我在实际测试中观察到的现象。

2. 激光与地图相关参数详解

2.1 maxUrange、maxRange：先搞清楚谁该更大

这两个参数经常被搞混。maxRange是激光雷达的有效最大测量距离，一般需要和你雷达的说明书对应，比如某型号雷达标称30米，那maxRange就设成30.0。maxUrange则是Gmapping实际建图时使用的最远激光点距离，它必须小于maxRange。比如maxRange设了30米，但室内场景雷达打出去20米都是墙，那maxUrange设个15米就够了，超出的部分全当无效数据处理。

从算法源码的角度看，当激光点距离大于maxUrange时，这个点不会参与scan matcher的评分计算。这么做有两个目的：一是防止距离过远的噪点对匹配造成干扰，二是减少不必要的计算量。实际调试中如果maxUrange设得过大，走廊尽头那种距离很远的稀疏点会被当成有效特征，反而容易把地图拉歪。如果设得太小，远处刚能看到的墙轮廓又参与不了约束，回环检测时会发现地图漂移严重。

我自己的经验是，先根据雷达型号设置maxRange，再把maxUrange设为maxRange的50%到80%之间。室内小房间可以取小一些，室外大场景取大一些。有一点要注意，如果maxUrange大于等于maxRange，控制台会刷出一条警告，意思是URange读取异常，虽然不一定崩溃，但地图边界可能出现杂乱噪点，最好避免。

2.2 sigma、kernelSize、lstep、astep：扫描匹配的精细程度

扫描匹配是Gmapping里每一帧激光和当前地图对齐的过程。它本质上是寻找一个最优位姿变换，让激光点云与地图栅格尽可能重合。sigma这个参数表示高斯模型的噪声标准差，直接影响匹配时的似然场平滑程度。

这里有个反直觉的地方：sigma越大，匹配结果反而越“平滑”，对初始误差的容忍度越高，但精度会下降。sigma越小，匹配越尖锐，精度高但容易陷入局部最优。默认值是0.05，正常范围在0.03到0.1之间。如果机器人运动速度快、帧间位移大，可以适当加大sigma，提高匹配鲁棒性；如果场景特征丰富、运动平稳，用小一点的sigma可以把墙体轮廓怼得更准。

kernelSize是扫描匹配内核大小，一般保持默认1即可，基本不用动。lstep和astep分别控制平移和旋转方向的步长，它们决定匹配时搜索最优位姿的粒度。步长越小搜索越精细，但耗时增加。默认lstep=0.05，astep=0.05，单位分别是米和弧度，实测不需要频繁调整。真正会影响匹配效果的是激光数据的频率和预处理质量，Gmapping对运动畸变比较敏感，如果雷达帧率低、机器人又动得快，调这些步长参数是救不回来的。

2.3 linearUpdate、angularUpdate、map_update_interval：关键帧怎么选

Gmapping不会对每一帧激光都执行完整的SLAM更新，那样代价太高。它用linearUpdate和angularUpdate作为触发条件：机器人平移距离超过了linearUpdate，或者旋转角度超过了angularUpdate，才触发一次新的扫描匹配和地图更新。默认值分别是1.0米和0.5弧度，也就是机器人走1米或转约28.6度才更新一次。

这两个值设得越小，算法越频繁地执行匹配，地图更新越细腻，但CPU占用明显升高。设得太大，则可能出现地图滞后，尤其是转角处会出现明显错位。室内狭窄走廊场景，我一般会把linearUpdate降到0.5甚至0.3，angularUpdate降到0.3或0.2，这样墙角细节会好很多。但注意不要把linearUpdate降得太狠，走廊那点移动距离很快就触发更新，一旦雷达噪声偏大，反而会积累匹配误差。

map_update_interval控制地图以多高的频率发布出去，默认5.0秒。它和建图精度没有直接关系，只影响你在Rviz里看到地图更新的快慢。如果现场调试希望地图反馈更实时，可以设成1.0或2.0秒，代价是地图话题的消息频率增加，下游节点吃不吃得消需要评估一下。还有一个lskip参数，表示每一束激光里隔几个点才参与匹配。默认0就是全用，如果雷达点太密、CPU吃紧，可以设成1或2，牺牲少量精度换性能。

3. 粒子滤波与运动模型参数详解

3.1 particles参数：不是越多越好

particles默认值是30，这个数字听起来不大，但Gmapping里的粒子是带地图的，每个粒子都维护一份自己的栅格地图。粒子数翻倍，内存和计算量几乎是线性增长。用低配工控机跑的时候，30个粒子如果CPU已经很紧张，那再怎么调激光参数都是白搭。

从精度角度看，粒子太少会导致轨迹假设不足，地图容易出现偏差。一个典型的例子是长走廊场景：如果粒子数只有5个，粒子重采样几次之后多样性骤降，轨迹可能全部收敛到同一个错误分支，走廊就建歪了。把粒子数提高到20到30，多样性增加，正确轨迹附近始终有粒子存活，地图质量显著改善。

但超过一定数量后收益递减。实测中，30粒子跑室内环境已经很稳，提高到50或80主要是为了应对特别复杂的场景，比如回环多、特征对称、容易发生绑架的场所。这里说的“绑架”是指机器人被挪动位置或者位姿估计彻底丢掉，Gmapping没有重定位能力，粒子再多也救不回来。所以调整particles之前，先确认里程计和激光质量没有问题。

3.2 resampleThreshold：重采样的触发线

重采样是粒子滤波里解决粒子退化问题的手段。随着时间推移，少数粒子权重越来越大，大部分粒子权重趋近于零，如果不做处理，粒子群体会失去多样性。resampleThreshold表示有效粒子数占总粒子数的比例阈值，低于这个比例就触发重采样。

默认值是0.5，也就是说当有效粒子比例掉到一半以下时，算法会进行一次重采样，淘汰低权重粒子，复制高权重粒子。这个参数比较微妙：设得高，重采样频繁，粒子多样性容易被快速消耗；设得低，退化粒子可能长期存在，地图慢慢被带偏。实际使用中我基本不动它，维持默认0.5。但如果发现地图出现反复震荡、位姿跳跃的情况，可以考虑把它调到0.3或0.4，让粒子有更长时间自我修正。

3.3 srr、srt、str、stt：运动模型的四个噪声系数

这四个参数是里程计运动模型里的噪声项，分别表示：srr是平移误差随平移距离增长的系数，srt是平移误差随旋转角度增长的系数，str是旋转误差随平移距离增长的系数，stt是旋转误差随旋转角度增长的系数。它们的值越大，粒子在预测阶段扩散得越厉害。

默认值全是0.1，对大多数轮式底盘来说这个数值偏保守。如果底盘里程计质量不错，比如带编码器且没有明显打滑，0.1可以正常工作。但履带底盘或者麦克纳姆轮底盘，打滑严重时0.1的扩散跟不上实际误差，粒子会集中在错误轨迹附近，地图就会出现拖尾和错位。

我曾在一台履带底盘上遇到过很典型的案例：原地旋转时地图边缘像扇子一样打开，转一圈地图就对不上了。排查下来就是stt偏小，模型认为旋转误差很小，但履带实际打滑严重。把stt从0.1提到0.2到0.3之后，粒子扩散范围变大，匹配时更容易找到正确位姿，地图明显收敛。

反过来，如果运动模型参数设得过大，粒子分布过于离散，扫描匹配的初始猜测离真实位姿太远，反而容易匹配到错误位置，地图会出现鬼影般的重影。所以这四个参数没有一个万能值，需要根据底盘的实际情况标定。一个朴素的方法：让机器人走直线和原地旋转各两分钟，观察odom话题发布的轨迹和真实轨迹的偏差，偏差大就相应增大对应系数。

4. 实操调参流程：从默认配置到稳定建图

4.1 拿到新机器人的第一次跑图记录

调参的第一步不是改参数，而是用默认参数完整跑一遍，记录现象。我习惯在Rviz里同时打开Map、Scan、RobotModel和Path这几个显示项，先让机器人沿房间外围绕一圈，再走S形覆盖室内，全程记录几个关键指标：CPU占用率、scan话题频率、odom话题频率、地图是否有重影、回环是否闭合、转角处是否拖尾。

默认参数下如果CPU已经跑到80%以上，那调参重点应该在降计算负载而不是提升精度。如果CPU只有30%，说明还有很大调参空间，优先提高匹配精度和地图刷新率。scan频率方面，Gmapping本身不强制要求高频率，但如果scan频率低于5Hz，机器人的快速旋转很容易让帧间位移过大，匹配效果会很差。odom频率建议至少和scan频率匹配，不然位置插值会有明显跳变。

第一次跑图出来的地图往往会有以下几种典型问题：墙体重影、转角漂移、走廊拉斜、回环错位、地图边缘一团噪声。每种现象对应的调整方向差异很大，接下来用一个模拟案例展示完整的调参过程。下面提到的项目都是虚构的调试场景，参数组合仅供参考，实际数值需要根据你自己的机器人去验证。

4.2 场景一：室内走廊地图重影

模拟项目A的情况：一台两轮差速机器人，激光雷达是30米量程的2D雷达，建图环境是宽度2米的室内走廊，默认参数跑出来的地图走廊墙壁有重影，位置误差大概5到10厘米。

第一步先怀疑扫描匹配精度。把sigma从0.05调到0.08，同时把maxUrange从默认的30米改成12米，去掉远处无效点对匹配的干扰。跑了一圈，重影稍微改善但没根除。第二步检查关键帧选取，走廊环境直线段很长，linearUpdate=1.0米意味着机器人要走1米才更新一次，直线段内激光帧与帧之间的重叠率很低，匹配约束不够。把linearUpdate降到0.3，angularUpdate降到0.2，重影明显减弱。

最后还剩一点残余错位，加到particles=40之后地图完全清晰。这里补充一下，particles提升不是直接修正匹配误差，而是让重采样后仍有足够多的粒子覆盖正确的轨迹分支，对消除小幅度抖动非常有效。这组参数的最终配置是：maxRange=30.0，maxUrange=12.0，sigma=0.08，linearUpdate=0.3，angularUpdate=0.2，particles=40，其余保持默认。

4.3 场景二：大场地回环无法闭合

模拟项目B的情况：一台四轮独立驱动的巡检底盘，建图环境是边长50米左右的方形厂区，默认参数跑出来的问题不是重影，而是跑完一圈回到起点时，地图的头尾对不上，偏差接近1米。

大场景回环闭合不上，首先要怀疑的是maxUrange太短，远处拓扑特征没有被充分利用。把maxUrange从默认值提高到20米，回环时的远处约束明显变强。其次，map_update_interval默认5秒对于大场景来说地图更新太慢，回环检测时当前帧和地图之间的差异太大，不容易匹配上。改成1秒后再试，回环成功率高了不少。

这个案例里运动模型参数也需要调整。四轮独立驱动底盘走直线时定位误差小，但原地转向时轮子侧滑明显，默认srt和stt=0.1不够。我把srt调到0.15，stt调到0.2，粒子在转向时的扩散范围匹配实际误差，回环闭合时不再需要额外“搜索”正确位姿。最终配置：maxUrange=20.0，map_update_interval=1.0，srt=0.15，stt=0.2。这里有个教训：调整运动模型参数时一定要单变量验证，不能和激光参数同时改，不然出了问题根本不知道是哪一步引起的。

4.4 计算负载与实时性的平衡

调参的最终目标是产出可用地图，但中间过程必须保证实时性。Gmapping的计算瓶颈主要在扫描匹配和地图更新，粒子数是最直接的负载来源。一个粗略的参考是：每秒触发2到4次更新、粒子数30，中端工控机CPU占用约40%到60%；粒子数加到80，CPU可能直接飙到90%以上，这时候整个系统的其它节点也会跟着卡顿。

如果CPU吃紧，我建议优先降低更新频率而不是粒子数。把linearUpdate从0.3调回0.5、angularUpdate从0.2调回0.3，控制触发次数，比直接把粒子数减半对地图质量的影响更小。另一个策略是利用lskip参数隔点采样，雷达点云越密效果越明显，默认0表示全部点参与匹配，设成1后计算量大约减少一半，墙体重影轻微但可接受。

还要注意一个容易忽略的点：Gmapping的scan匹配是在接收话题回调里同步执行的，如果CPU过载，scan话题回调被阻塞，odom和TF的时间戳就会出现跳动，表现为地图突变。这种情况优先考虑给机器人端换个性能更好的处理器，或者降低雷达帧率，调整参数的收益已经很小了。

5. 常见问题排查与避坑心得

5.1 典型现象与参数调整速查表

下面这些现象是我在多个机器人平台上实际遇到并解决的，列成表格方便你对照。

这张表只能作为排查起点，不是灵丹妙药。同一个现象在不同底盘上可能对应完全不同的根因，比如“回环错位”既可能是激光参数问题，也可能是里程计标定问题。所以我一直强调先记录现象，再单变量调整，一次只改一个参数，跑一圈对比效果。

5.2 容易被忽略的四个坑

第一个坑是maxUrange和maxRange的单位和关系。很多初学者把maxRange设成雷达的物理量程，但忘了maxUrange要更小，结果出现地图远处的白色噪点。正确做法是先确认maxRange是雷达实际量程，然后确保maxUrange小于maxRange，同时在配置launch时不要把这两个值配反。

第二个坑是地图分辨率。很多人以为栅格分辨率也是Gmapping的参数，实际上Gmapping发布的地图分辨率由map_server或建图保存节点的配置决定，和Gmapping自身的delta参数没有直接关系。调高了分辨率不等于精度提升，反而会放大激光噪声对匹配的影响。这一点在更新解析部分我会专门展开一次，因为涉及栅格地图的概率更新机制。

第三个坑是TF树和odom频率。Gmapping对TF要求严格，必须有一个从map到odom的变换链。如果odom节点发布频率只有2Hz，而激光频率是10Hz，运动模型预测时位姿插值不准，粒子分布也会被带歪。很多时候地图出现抖动，问题根本不在Gmapping参数，而在底盘驱动节点的数据质量上。

第四个坑是不合理的更新阈值组合。比如linearUpdate=0.1同时angularUpdate=0.1，触发更新太频繁，虽然有实时性，但也在不断引入激光噪声。我的建议是不要让更新频率高过激光帧率的三分之一，给扫描匹配留出足够的计算余量。

5.3 调参的小技巧：分组试验与日志记录

调参看起来是经验活，但也可以流程化。我习惯的做法是：把四组参数分别命名为A组激光、B组粒子、C组运动、D组地图，每次只调其中一组的一个参数，跑完一圈保存地图和日志文件，再改下一个。全部测试完以后，把最优的一组参数组合起来跑最终验证。

日志记录一定要包含时间戳和地图截图。同一个参数在小房间里看起来没问题，放到大场地可能就崩了，所以需要从两个不同场景去验证。我常用的参数存档格式是这样的：机器人底盘型号、雷达型号、场景面积、各组参数数值、CPU占用、地图质量评级、备注。一段时间之后整理出来的数据，基本就是你自己版本的最佳调参手册。

最后再分享一点点个人体会

Gmapping年份不新了，但它依然是入门2D SLAM绕不开的一个参考实现，因为它的参数几乎覆盖了粒子滤波SLAM的所有核心环节。每次调参在某种意义上，都是在训练你对“不确定性”的直觉。里程计不可信、激光有噪声、机器人会打滑，这些状况在仿真里永远体会不到，只有真机调试才能积累出那种“闻到问题出在哪里”的感觉。

我给新人的建议是：先别急着抄网上的参数，哪怕那组参数来自同型号底盘也不要照搬。把默认参数跑熟，记录现象，再按四组分类去理解每个参数为什么存在，最后再动数据。这个流程走一遍之后，你对Gmapping的理解会比看十篇教程都深。后续更新解析部分，我会再补充栅格地图更新机制和时间戳同步方面的分析，也会把新遇到的参数问题加到这个帖子里来。