技术深度解析
Cartographer的架构堪称在计算效率与建图精度之间取得平衡的典范。其核心是一个基于图的SLAM后端，将机器人的轨迹视为由节点（位姿）和边（约束）构成的图。前端负责传感器数据接收和子图构建，而后端则执行全局优化。
子图构建： 系统通过连续的激光扫描构建子图——即局部、固定尺寸的栅格地图（2D占据栅格或3D概率栅格）。每个子图通过使用基于Ceres的扫描到地图匹配优化器，将新扫描与当前子图进行匹配来创建。此步骤以高频率（10-50 Hz）运行，生成局部一致的子图。关键参数是子图尺寸（例如2D模式下为10米），它决定了局部一致性与全局修正频率之间的权衡。
通过稀疏位姿图实现闭环检测： 当一个新子图构建完成后，Cartographer会尝试通过在一个离散化的搜索空间上进行分支定界（B&B）搜索，将其与所有之前的子图进行匹配。这就是魔法发生之处：B&B算法会尽早剪除不可能的匹配，从而即使在有数千个子图的情况下也能实现实时性能。匹配成功的约束被添加到位姿图中，然后使用谷歌的Ceres Solver进行优化——这是一个非线性最小二乘优化器，用于最小化所有约束的残差平方和。最终结果是全局一致的地图，其漂移通常低于行进距离的1%。
多传感器融合： Cartographer原生支持LiDAR（2D和3D）、IMU（加速度计+陀螺仪）和轮式里程计。IMU提供重力对齐，并减少3D模式下的横滚/俯仰漂移。系统在前端使用扩展卡尔曼滤波器（EKF） 进行传感器融合，但后端优化对所有约束一视同仁，从而能够稳健地处理传感器数据丢失的情况。
基准性能： 在流行的KITTI里程计基准测试中，Cartographer在3D模式下实现了1.2%的平移误差和0.005度/米的旋转误差——与LOAM和LIO-SAM等最先进方法不相上下。在2D模式下，针对MIT Stata Center数据集，它在500米轨迹上实现了低于10厘米的均方根误差（RMSE）。
| 指标 | Cartographer 2D | Cartographer 3D | LOAM (3D) | LIO-SAM (3D) |
|---|---|---|---|---|
| 平移误差 (%) | 0.8 | 1.2 | 1.1 | 0.9 |
| 旋转误差 (deg/m) | 0.003 | 0.005 | 0.006 | 0.004 |
| 最大建图速度 (m²/s) | 100 | 50 | 30 | 40 |
| CPU 使用率 (单核) | 60% | 85% | 90% | 75% |
| 内存 (1 km 地图) | 200 MB | 800 MB | 1.2 GB | 600 MB |
数据要点： Cartographer在2D模式下提供了精度与计算效率的最佳平衡，在3D模式下也具有竞争力。其较低的CPU使用率和内存占用使其成为嵌入式系统的理想选择，而LOAM和LIO-SAM则以牺牲效率为代价，在3D模式下换取略高的精度。
相关GitHub仓库：
- [cartographer-project/cartographer](https://github.com/cartographer-project/cartographer) (7,870 stars) – 核心C++库
- [cartographer-project/cartographer_ros](https://github.com/cartographer-project/cartographer_ros) – ROS集成 (1,500+ stars)
- [cartographer-project/cartographer_turtlebot](https://github.com/cartographer-project/cartographer_turtlebot) – TurtleBot演示
关键玩家与案例研究
Cartographer的生态系统由谷歌的开源发布驱动，但真正的创新来自社区和商业采纳者。Google Research（具体是由Wolfgang Hess和Damon Kohler领导的机器人团队）最初为Project Tango设备的室内建图开发了Cartographer。开源后，该项目在学术界和工业界获得了发展势头。
案例研究：Fetch Robotics – 这家仓储机器人公司将Cartographer作为其自主移动机器人（AMR）的主要SLAM后端。Fetch的机器人在杂乱的仓库通道中依靠2D LiDAR导航，依赖Cartographer的子图闭环检测来纠正长距离行驶后的漂移。该公司报告称，与之前基于Gmapping的系统相比，建图时间减少了40%。
案例研究：DJI – 这家无人机制造商将Cartographer的3D模式集成到其用于航空测量的Terra测绘软件中。DJI的无人机使用朝下的LiDAR和IMU来构建建筑工地的3D点云。Cartographer的实时能力使无人机能够根据正在构建的地图调整其飞行路径，从而实现在没有GPS的情况下的自主巡检。
与竞争性SLAM方案的对比：
| 特性 | Cartographer | ORB-SLAM3 | LIO-SAM | Gmapping |
|---|---|---|---|---|
| 传感器输入 | LiDAR + IMU + 里程计 | 视觉 (单目/双目/RGB-D) | LiDAR + IMU | LiDAR + 里程计 |
| 地图类型 | 占据栅格 (2D/3D) | 稀疏点云 | 3D点云 | 占据栅格 (2D) |
| 闭环检测 | 基于子图的B&B | DBoW2视觉词袋 | 扫描到地图 + ICP |