企业官网建设流程全解析

这个项目前前后后折腾了一个多月才彻底跑通：一架普通四旋翼无人机，不依赖GPS、不依赖基站和信标，只在机身上带一颗激光雷达加一块机载计算板，就在某园区A栋的地下停车场、三层走廊和大开间办公室里穿梭飞行，实时构建地图的同时完成自身定位。整个过程没有外部动捕、没有UWB基站、没有视觉标签，所有定位信息全靠机载传感器自己算出来——这就是“室内无源定位 + 激光SLAM在无人机上的飞行测试”要解决的核心问题。这篇文章把我从选型、装机器、调参数到实际飞行的完整过程和踩坑记录整理出来，适合正在做无人机感知、移动机器人SLAM，或者在室内场景被定位问题折磨的同学参考。

1. 场地与方案：为什么室内定位非要选激光SLAM

1.1 先搞清楚“无源定位”到底指什么

定位方案我先铺个底。行业里说的“无源定位”，在无人机这个语境下一般指：环境中不需要提前布置任何主动信号设施，机器完全是靠自身搭载的传感器来感知位置。与之相对的，UWB需要先布几个基站当锚点，光学动捕需要在场地周围架一圈相机，这些都是典型的有源方案。有源方案的好处是精度可以做到厘米甚至毫米级，但代价是场地受限制，机器一旦走出覆盖范围立刻失去定位，而且布设调试要占用大量时间。

激光SLAM天然适合做无源定位。激光雷达自己主动发射激光并接收回波，这从电磁波意义上说算”有源“传感器，但它在定位语境下强调的是不需要外部协同设施——雷达装在机身上，IMU装在机身上，计算板也装在机身上，整一套闭环全部自持。这个特性放在无人机上非常关键：飞机要飞越走廊、进房间、绕柱子，环境里不可能预先铺一圈基站等你过去。

我一开始也想过为什么不用视觉SLAM。室内视觉方案在光照均匀、纹理丰富的情况下确实不错，可一旦遇到白墙、玻璃、暗光、强光交替，特征点会大面积丢失。再加上无人机自身振动带来的运动模糊，视觉里程计在飞行场景里崩溃的概率实在是太大了。激光雷达不受光照影响，对白墙和规则几何结构反而特别友好，室内这种走廊、门框、墙角密布的场景，点云特征非常稳定。

1.2 激光SLAM方案里2D和3D怎么选

这个项目里我实际上做了两套方案的对比。一套是2D激光雷达配合Cartographer，另一套是3D固态激光雷达配合FAST-LIO。为什么做两套？因为我更想验证的不是”某一个算法能不能用“，而是”在无人机这个平台上，到底该选哪条技术路线“。

2D方案的优势是传感器便宜、算法轻、实时性容易保障。一颗2D激光雷达只有几百克，机载计算板用入门级的也能跑起来。但问题也明显：2D雷达只能扫一个平面，无人机飞行时一旦有俯仰和横滚，扫描平面就会跟着倾斜，建出来的地图可能会“扭曲”。所以2D方案必须在软件上利用IMU做姿态补偿，硬安装上则尽量把雷达装水平和减震。

3D方案的优势是信息量大，激光点云能覆盖整个三维空间，无人机随便什么姿态都有足够的几何约束。代价是点云数据量大、计算压力翻倍，雷达价格也高。FAST-LIO这类紧耦合算法把IMU和雷达数据一起送入滤波框架，实时性确实好，但对硬件要求也绝对不客气，机载电脑至少得是带GPU的等级，散热、供电都要额外考虑。

我在下面给这两条路线做了个对比，方便大家按自己手头的机器做决策。

如果只看室内无人机巡检这类需求，我现在的结论是：预算充足直接上3D，少走弯路；预算有限、只在相对平整的室内飞，2D做验证完全够用。

2. 硬件选型与装机：雷达、IMU和机载电脑的搭配逻辑

2.1 无人机平台本身才是最大的变量

做激光SLAM飞行测试，飞控、电机、机架这些看似不参与算法的部分，其实对定位结果影响极大。我用的是自组的四旋翼，轴距450mm级别，带桨叶保护罩。选择这个级别的原因很现实：机架有足够的载重能力放雷达和计算板，同时尺寸又没有大到不适合在室内走廊飞行。太小的穿越机载重不够，太大的机架转弯半径惊人，根本没法在标准走廊里灵活飞行。

整机重量控制在3kg以内，起飞重量和动力余量大概保持1.5倍以上的推重比。一开始我犯过错误，为了追求“稳”，把计算板、雷达、数传、图传统统堆上去，结果飞机变得又重又笨，飞起来姿态波动反而更大，SLAM数据更难处理。后来的经验是：载重越轻越好，任何非必需的部件都不要上机。电池我选的是6S 3300mAh锂聚合物电池，实测悬停可以飞12分钟左右，这对SLAM测试足够，再多也没有意义，因为算法的瓶颈和续航无关，数据质量才是关键。

飞控的调参对SLAM的影响经常被忽略。飞控过于激进的姿态控制会让机身频繁小幅度抖动，雷达扫描数据里会混入微小的重复畸变。为了照顾SLAM，我把飞控的姿态增益从默认值稍微往下调软了一些，允许飞机在平稳飞行时有一点自然的漂移，但绝对避免高频振颤。这个取舍听起来反直觉：定位系统不是越“稳”越好，而是让传感器尽量处在一个平滑的运动模型里。

2.2 雷达选型：2D考虑转速，3D考虑视场

2D方案我用了RPLIDAR系列的某款中端型号，有效测距大概12到25米，扫描频率可调。这里注意，不要只看测距远，还要考虑帧率。测距标称25米的雷达如果扫描频率只有5Hz，无人机稍微飞快一点，相邻两帧之间的位姿变化就太大，点云匹配很容易发散。我最终把扫描频率设置在10Hz，配合IMU数据做帧间畸变校正。

2D雷达的安装支架我做了两次才改对。第一版直接用打印件把雷达固定在机架底部，起飞后地图里出现了明显的周期性波浪，排查后发现是机架的低频振动直接传递给了雷达。第二版我在支架和雷达之间加了四颗硅胶减震球，波浪立刻缓解，但减震球又太软，飞行机动时雷达会晃动，地图反而出现大尺度扭曲。最后在减震球里垫了硬橡胶垫片，找到软硬之间的平衡点，才算解决。

3D方案我选了国产某品牌固态激光雷达，这类雷达没有机械旋转部件，抗震性天然比2D机械雷达好，对无人机这种强振动环境非常友好。它的视场角有宽有窄，选型时注意不要只看测距，中近距离覆盖能力比远距离更重要——室内场景里，雷达能看到机身周边两米范围的点，远比看到远处几十米外墙更有价值。

2.3 IMU和机载电脑选型的基本原则

IMU是整个系统里容易被低估的部分。2D方案里IMU负责补偿姿态变化、提供帧间预测；3D方案里IMU直接参与状态估计迭代，数据质量差的话，整个紧耦合框架都会带偏。我用的IMU是飞控内部自带的，同时雷达内置了一个低成本IMU，两个数据源做了软同步融合。实测下来，内置IMU的零偏稳定性和动态响应都明显好于飞控自带的那颗，最终算法里主要信任雷达内置IMU，飞控IMU只作为交叉校验。

机载电脑我用了NVIDIA Jetson系列的一块入门级板子，2D方案跑CPU版本Cartographer绰绰有余，3D方案跑FAST-LIO时GPU参与部分加速，整体占用控制在一半以内。供电方面必须单独加稳压模块，电机启动瞬间会把电源电压拉低很大一块，我就遇到过雷达在电机大油门时直接掉线的情况，后来换成独立的稳压供电模块再也没出现。

安装位置也有讲究。雷达尽量靠近无人机重心下方，这样飞行时的角速度带来的线速度误差最小；计算板则放在重心正上方，防止整机重心偏移导致飞控需要持续补偿，产生不必要的震荡。所有线束全部用扎带固定，并且留出伸缩余量，避免飞行中振动把排线接口甩松。

3. 算法配置与参数调优：从Cartographer到FAST-LIO的取舍

3.1 2D方案的核心配置与原理

2D方案我用的Cartographer是谷歌开源的激光SLAM框架，核心思想是“局部匹配加闭环优化”。它把扫描数据拆成一个个submap，通过Ceres库做非线性最小二乘优化，把每一帧点云匹配到最近的submap上，同时维护一个位姿图来约束全局一致性。

对无人机这个平台，Cartographer的配置有几个关键点。第一，雷达测距范围要设置合理。室内场景距离通常不超过20米，把max_range设置得过大没有意义，反而会把远处窗户外的点云也匹配进来，造成虚实混杂。我设置的范围是0.2米到12米，确保近处有足够的点参与匹配，远处不会引入朝外街道的噪声点。第二，IMU数据必须开启。无人机不是轮式机器人，没有编码器里程计，IMU就是唯一的内源运动预测来源，在配置文件里要显式打开use_imu_data，否则当雷达短暂丢点或者匹配失败时，系统没有预测值兜底，位姿会瞬间跳飞。

还需要调整submap频率。submap创建太频繁会增大局部优化的负担，创建太慢则地图重影模糊。按我的经验，默认每帧点云创建一次submap是合理的，但实际测试中5Hz到10Hz的雷达帧率会造成submap过多，我把submap生成间隔调整为每5帧一次，效果明显改善。

trajectory_builder_2d: use_imu_data: true min_range: 0.2 max_range: 12.0 missing_data_ray_length: 5.0 submaps: num_range_data: 35 ceres_scan_matcher: occupied_space_weight: 3.5 translation_weight: 8.0 rotation_weight: 1.0

这段配置里最值得说的是ceres_scan_matcher三个权重。translation_weight比rotation_weight大，是因为室内走廊场景在沿走廊方向的约束比较弱，必须加大平移方向的惩罚，防止在长直走廊里逐渐漂移。occupied_space_weight控制的是点云与地图栅格的匹配力度，调太大会导致匹配过于激进、对微小误差过度敏感，调太小则地图松散。3.5是我在多次测试后折中的值。

3.2 3D方案的外参标定与参数细节

3D方案我用的FAST-LIO是港大开源的紧耦合激光惯性里程计，核心是迭代误差状态卡尔曼滤波，把雷达点云直接和全局地图匹配的同时，实时修正IMU的零偏和位姿。它比Cartographer更“激进”，因为系统完全依赖IMU传播状态，雷达数据作为残差修正。好处是即使在雷达帧率低的时候也能维持高频位姿输出，坏处是IMU标定不正确的话，误差会直接进入滤波器，几秒钟之内就能把轨迹带飞。

FAST-LIO的第一个硬门槛是外参标定。雷达坐标系和IMU坐标系之间的旋转和平移如果不准，匹配残差里会混入系统性误差。处理办法是用官方提供的标定工具：把雷达和IMU固定在一起，手动沿各个方向旋转并做来回直线运动，采集约两分钟数据，离线优化得到外参。我踩过的坑是标定时运动范围太小，旋转角度不够，解算出的外参精度差，飞行时地图里的墙始终是斜的。后来专门拿到停车场空地上做了大幅度“8字”运动，标定结果才稳定。

第二个关键参数是点云下采样分辨率。FAST-LIO处理原始点云时要做体素滤波，分辨率太小则点云数量巨大，实时性崩；分辨率太大则细节丢失，匹配精度下降。我的3D雷达原始点频率不高，体素分辨率设置在0.2米左右效果最好，走廊墙面轮廓能保持清晰，CPU占用也可控。雷达最大量程我只设置到80米，室内没有任何需要那么远距离的约束，反而要防止远处窗外的点云造成干扰。

common: lid_topic: /livox/lidar imu_topic: /livox/imu extrinsic_est_en: true preprocess: lidar_type: 1 scan_line: 8 point_filter_num: 2 feature_detection_enable: false mapping: acc_cov: 0.1 gyr_cov: 0.1 max_iteration: 3 filter_size_surf: 0.2 filter_size_map: 0.2

acc_cov和gyr_cov分别表示加速度计和陀螺仪的噪声协方差，这个值直接决定滤波器对IMU数据的信任程度。无人机振动环境下，IMU噪声明显高于地面机器人，可以把这两个值适当调大，也就是更信任雷达修正。但焊死不动也不行，调过大会让位姿完全被传感器噪声主导，纯靠点云匹配，激光一丢又飞了。反复试下来，两个值都取0.1对大多数室内场景较稳。

3.3 参数调优的通用思路

单独说调参会觉得每个参数都很玄学，但背后有个通用逻辑：任何SLAM系统都是在“信任传感器”和“信任运动模型”之间找平衡。飞得越激进，就越要信任IMU；点云越稀疏，就越要信任预测；室内几何越空旷，就越要主动降低匹配距离阈值，避免把错误的特征拉进来匹配。

我推荐的调参顺序是固定的：先调外参，再做静止测试，然后做旋转测试，最后做平移测试。每一步只动一个参数，记录地图变化。这个流程虽然慢，但能帮你积累对系统的直觉。不要一上来就全参数扫一遍，那样出了问题根本不知道是哪一步引入的。

4. 飞行测试流程与实测数据

4.1 测试环境与飞行安全准备

测试选在某园区A栋地下停车场、三层办公走廊和一间约400平米的大开间办公室。为什么选这三个场景？因为它们基本覆盖了室内无人机飞行的典型难点：地下车库有一大片空旷区域，几何退化和地面反光问题都会遇到；走廊是狭窄且环境重复的场景，很容易测出累积漂移；大开间办公室则有很多工位隔断和柱子，对点云匹配是很好的检验。

每次飞行前我都会做一套固定的安全流程。第一，检查桨叶保护罩和所有螺丝，确保不会在飞行中松脱。第二，在机身上贴两个独立的安全绳挂点，第一次起飞全程系安全绳，确认系统稳定后才解绳。第三，设置遥控器的急停开关，并把油门锁定在最低位，一旦看到地图漂移或者飞控异常，立刻切入紧急停机。第四，清场，保证测试区域没有人，尤其是雷达扫描面前方不能有人站立——激光雷达是可以对人眼造成潜在伤害的。

电池电量管理也需要格外小心。SLAM测试过程中无法随时更换电池，我通常设定最低返航电压后只计算飞行时间，实际留出三成多的余量就落地。电量不足时电机会加速掉压，飞控姿态不稳，雷达点云会出现大范围抖动，此时数据基本报废。

4.2 四阶段测试方法

整个飞行测试我分成四个阶段，每个阶段都有明确的通过标准。

第一阶段是手持推车验证。把无人机装在一个小推车上，在走廊里来回推，让SLAM系统跑起来，看地图和轨迹是否平滑。这里关键是排除“飞行”这个变量的干扰，先把算法本身的有效性验证掉。如果推车推着都连续跳变，那是算法和参数问题，没必要上机。

第二阶段是系留原地旋转。无人机绑着安全绳低速起飞，悬停在约0.5米高度，手动控制原地左右旋转，每次旋转约90度后悬停几秒。此时观察实时地图的墙面是否平直、墙角是否垂直，如果有明显的斜墙或者地图扭曲，大概率是雷达安装角度或者外参标定问题。

第三阶段是小范围平移飞行。解锁绳子，在停车场的一块空地上以不超过0.5米每秒的速度做前后、左右平移，飞行距离控制在10米以内。这个阶段主要验证定位响应是否跟手，地图会不会因为运动产生拖影。

第四阶段才是完整的任务航线飞行。在走廊里做一趟直线飞过去再飞回来，总距离约120米，要求全程不触碰墙面；然后在办公室里做环绕飞行和一进一出的“回”字形轨迹，让系统有足够机会做闭环检测。

4.3 实测数据记录

我把两个方案在相同场景下的表现做了汇总，数据用的是多次测试中取得的中位值。2D方案在走廊场景表现超出预期，120米往返后航向角度误差在2度以内，闭环前的最大位置漂移约0.6米，闭环修正后回到0.25米左右。这个精度对室内巡检、定点拍照完全是够用的。3D方案在办公室场景中误差更小，80米轨迹走完的最大漂移约0.2米，闭环后收敛到0.1米以内。

注意看地下车库场景，为什么2D和3D的差距被拉大了？因为地下车库空旷区域太多，2D雷达扫到的墙非常稀疏，沿行进方向的约束很弱，漂移自然增大。而3D雷达垂直方向上还能看到车顶管道和墙面凹凸，几何约束更丰富。越是空旷环境，3D方案的优势越明显。

4.4 怎么读懂一张实时地图

有些同学拿到实时地图不知道该怎么判断系统状态，我分享一个简单的三看方法。一看墙线是否连续：如果墙线中间频繁断开又接上，说明局部匹配不稳定。二看墙线是否笔直：如果有规律的波浪，优先怀疑振动问题；如果整体倾斜，优先怀疑外参标定。三看轨迹是否平滑：轨迹如果出现折线形的拐角，说明有帧间匹配失败后又被IMU拉回的痕迹。

这个方法看起来很粗糙，但在测试现场非常有效。算法内部无数指标，到最后都体现在地图和轨迹这两个直观输出上。不要一上来就看PDF数字，先看图形。

5. 常见问题与排查实录

5.1 振动带来的点云畸变

无人机和地面机器人最大的区别就是振动。电机高速旋转产生的周期振动叠加在雷达扫描上，会让每一帧点云产生细微波浪形畸变。这个问题的排查过程很典型：第一反应是算法参数不对，反复调匹配权重无效；后来把飞机固定在地面，用手扳动雷达支架，发现点云扭曲和机架晃动有直接关系；最终更换减震结构后问题消失。

震动问题的最佳解决方式是物理减震而不是算法补偿。硅胶减震球、橡胶垫圈、泡沫双面胶都可以试，但要注意减震结构本身不能太软。判断标准是：用手轻按雷达支架，松开后能在0.1秒内恢复原状，并且没有显著回弹振荡。如果它像果冻一样晃个不停，飞行中会产生比无减震更严重的低频漂移。

5.2 玻璃墙和反光面的匹配失效

办公楼的玻璃墙是激光SLAM的天然敌人。激光打到玻璃上会直接穿透，无法形成有效回波；打在玻璃边缘的激光又可能产生错误的二次反射点，在点云里形成一层薄雾。最直接的问题是Cartographer会把玻璃当成不存在，明明眼前是一面墙，地图里却显示空旷区域，无人机很容易撞上去。

处理办法有三个。一是在玻璃墙表面不规则地粘贴一些磨砂塑料贴纸，提供一个漫反射平面，成本极低。二是把雷达的测距范围缩短，让远处的玻璃回波不作为主要特征，迫使算法依靠近处稳定的墙体做匹配。三是2D方案里尽量避免让无人机贴着玻璃墙飞行，保持至少1.5米的安全距离；如果非要靠近，改用3D方案，因为3D雷达的扫描线更多，玻璃产生的漏检区域比例更小。

5.3 长走廊场景的累积漂移

长直走廊是所有激光SLAM都会遇到的退化场景。因为雷达在一个方向上能看到的几何约束丰富，但沿走廊前进方向上，两侧墙都是平行的，没有任何特征告诉系统“你走了多远”。2D Cartographer在120米走廊里闭环前漂移60厘米，这个量级并不是参数没调好，而是几何结构本身提供不了足够信息。

处理这个问题的有效手段是闭环检测。飞出去再飞回来，让系统看到之前扫描过的区域，做一次全局优化，误差立刻被压下来。这也提醒我们：在规划无人机飞行航线的时候，最好刻意设计一条能够回到起点的路线，让SLAM有机会闭环。如果任务不允许返回，那就只能依赖IMU积分和更高的激光帧率，但本质上误差累积无可避免。

5.4 回环闭合时的地图跳变

闭环是好事，但也会带来视觉上明显的“跳变”。当飞机飞过一个之前经过的走廊拐角时，系统突然意识到当前位置和之前的位置高度重合，于是全局优化一把把所有历史位姿都做了修正，地图上所有墙壁突然平移了一段距离。这个现象在2D方案里最常见，因为回环检测相对宽松，容易产生“伪闭环”。

解决这个问题的思路不是关掉闭环，而是限制回环优化的范围。Cartographer里可以调整回环检测的置信度阈值，让系统只采纳高置信度的回环，同时限制全局优化对临近位姿的调整幅度。调完之后，地图跳变明显减少，但代价是回环误差收敛变慢。对室内巡检这种任务来说，宁可慢一点，也不要地图突然错位导致飞控误判。

5.5 机载电脑过热的隐性风险

这套系统功耗最高的是机载电脑，长时间跑FAST-LIO时CPU占用率一直在70%以上，被动散热的壳体在测试十几分钟后就会烫到不能摸。过热的直接后果不是掉线蓝屏，而是处理器降频，SLAM算法实时性下降，帧率从8Hz掉到4Hz，点云匹配开始出现偶发跳变。

我给计算板加了一个小型主动散热风扇，同时调整了车速，让它在负载较低时自动降频。另外，测试前会把机载电脑放在空调房里预冷，这样每次飞行能争取到更长的有效测试时间。硬件散热问题看着不起眼，但它决定了一次飞行测试能在多快的时间内得到稳定数据。

6. 最后的几点体会

整套测试做下来，我最大的感受是：无人机上的SLAM问题和地面机器人完全不是一回事。地面机器人有编码器、有轮式里程计、速度和转向慢、姿态基本恒定，算法最坏情况下也能靠着里程计兜底；无人机姿态变化快、没有任何轮式里程计、还伴随强烈振动，所有运动信息全靠IMU和雷达，任何一个环节出错，系统都会在几秒内完全发散。

如果只能说一条经验，那就是：不要急着上车飞，先用推车把整条链路验证明白。我见过太多人把参数调到感觉差不多了就立刻起飞，结果姿态一抖、光照一换，建图当场崩溃。老老实实花一天时间做地面推车测试，把两个方案的适用场景摸清，再上飞行测试，反而会节约之后好几天的时间。这个习惯我会一直保留，在无人机这个平台上，数据从传感器到算法的每一步都值得你亲自确认。