3D 激光 SLAM 建图导航算法-技术调研

目录1 Lightning-LM 完整解析1.1 基础定位1.2 核心架构拆解1.2.1 前端AA-FasterLIO紧耦合 ESKF 里程计1.2.2 后端回环检测 自研 miao 增量图优化1.2.3 地图管理系统工程亮点1.2.4 配套工程工具1.2.5 Lightning-LM 纯定位Localization Mode1.2.6 Lightning-LM 自带局部粗搜1.2.7 Lightning-LM 支持边建图边导航1.3 对比主流 3D 激光 SLAM1.4 核心优势1.5 适用场景1.6 选型建议2 各类机器人导航方案2.1 地图存储三种形态按导航需求选用2.2 导航系统四大核心依赖2.3 标准完整工作流2.4 分平台差异化使用方案无人车、无人机、机器狗、人形机器人2.4.1 轮式无人车园区 AGV、自动驾驶低速车、矿区车2.4.2 无人机室内测绘、巡检、室内集群2.4.3 四足机器狗巡检、搜救、山地测绘宇树、ANYmal2.4.4 人形机器人智元、特斯拉 Optimus、Agility2.5 3D 地图两大核心导航价值2D 激光 SLAM 无法替代2.6 选型总结2.7 共性特点2.8 三种地图对应导航能力2.8.1 2D 栅格地图标准成熟开源导航无需自研2.8.2 3D 八叉树 OctoMap2.9 分机器人场景开发工作量对比2.9.1 轮式无人车 / AGV只用 2D 导航2.9.2 带台阶 / 路沿的地面机器人2.5D 增强导航2.9.3 四足机器狗、人形机器人完整 3D 地形导航2.9.4 室内无人机纯三维空间 6DoF 导航2.9.5 移动机械臂操作碰撞检测2.10 配套 Lightning-LM 落地标准链路推荐工程方案2.12 不同机器人配套使用总结1 Lightning-LM 完整解析高翔 2025 年底开源工业级 3D 激光 LIO-SLAM 框架1.1 基础定位Lightning-LM Lightning Lidar Mapping是高翔团队 2025 年 11 月开源、面向工程落地的完整 LiDARIMU 紧耦合 SLAM 系统属于 2025–2026 最新工业向 3D 激光 SLAM基于自家 Faster-LIO迭代优化 FAST-LIO2打造一站式建图 长期定位全栈框架区别于单纯前端里程计 FAST-LIO 系列自带成熟后端、地图管理、离线 / 在线双模式。开源地址https://github.com/gaoxiang12/lightning-lm1.2 核心架构拆解1.2.1 前端AA-FasterLIO紧耦合 ESKF 里程计是整个框架核心在 FAST-LIO2 基础上深度优化改进 iVox 体素索引点到面匹配速度大幅提升单帧激光处理仅 3~5ms自适应运动畸变补偿兼容机械旋转雷达Velodyne、Robosense、Livox 半固态雷达极低算力消耗仅占用0.8–1.2 个 CPU 核心输出 50–100Hz 高频位姿IMU 预积分深度融合颠簸、高速运动场景漂移优于原版 FAST-LIO2。1.2.2 后端回环检测 自研 miao 增量图优化放弃笨重 g2o自研轻量化miao 增量优化库回环检测异步线程运行不阻塞前端里程计增量式 PGO每次检测到回环只更新局部约束不用全量重构位姿图支持大场景千米级地图闭环轨迹平滑无抖动单独提供纯定位模式加载预建地图实时定位适合巡检 AGV、园区无人车长期运行。1.2.3 地图管理系统工程亮点分块瓦片地图 TiledMap地图分区动态加载超大场景不会内存爆炸动静态图层分离短期 / 中期 / 永久三层动态点过滤自动剔除行人、车辆等动态干扰G3. 2P5 模块选配3D 点云实时转 2D 占据栅格地图可直接给导航栈使用地图持久化存储支持离线回放 bag 包批量建图、地图校验。1.2.4 配套工程工具离线 / 在线双 SLAM 模式在线实时机器人建图离线 bag 批量处理、断点调试内置可视化 UI实时显示轨迹、点云、误差曲线预留 GPS、车辆轮速计扩展接口支持 Windows/macOS/Linux 跨平台编译原生 ROS1社区已移植 ROS2 分支。1.2.5 Lightning-LM 纯定位Localization Mode预先跑完SLAM 建图模式保存全局点云地图切换到 run_loc_online 纯定位后地图固定只读不再增量建图、不新增点云、不做全局地图优化建图模式才会更新地图加载全局global.pcd瓦片地图前端 AA-FasterLIO 输出局部 LIO 里程计局部相对位姿后端lidar_loc用当前帧扫描匹配预存全局地图NDT/ICP把局部里程计约束到map全局坐标系持续高频输出 map → base_link TF50~100Hz给导航使用。运行前提必须满足否则直接丢失定位系统必须有一个靠谱的初始位姿先验来源分两种5. 连续运行无断电 / 无长距离丢失上一时刻的有效定位位姿作为本次匹配初值6. 电梯换楼层、重启机器人、长时间遮挡后必须人工 / 外部传感器提供初始位姿Initial Pose。纯定位能干什么、不能干什么正常行驶、环境特征充足、位姿连续跟踪稳定输出全局 6D 位姿消除 LIO 累积漂移没有初始位姿时不能自己全局搜索找位置—— 这就是它和「全局重定位」最大区别。1.2.6 Lightning-LM 自带局部粗搜框架内部lidar_loc内置 YawSearch 航向网格搜索属于轻量局部找回只适合原地打转、短时遮挡、小幅漂移几米内丢失跨楼层、跨大片园区完全没用。流程LIO 里程计漂移过大匹配得分低于阈值以上一帧失效位姿为中心在 ±90°/±180° 航向做多分辨率 NDT 粗匹配匹配成功则修正位姿恢复纯定位跟踪若匹配全部失败直接判定定位丢失停止输出有效 TF导航卡死。局限性电梯升降后 Z 轴完全跳变、跨楼层旧位姿完全失效YawSearch 基于旧 XY/Z 范围搜索永远匹配不到新楼层地图原生模块无法自救。1.2.7 Lightning-LM 支持边建图边导航它有 Online SLAM在线建图模式 run_slam_online实时增量构建 3D 全局点云开启 G2P5 后持续动态发布更新的 2D 栅格地图 /map同时高频输出 map → base_link TF 位姿Nav2/move_base 可以直接订阅实时刷新的 /map立刻执行路径规划、避障、自主导航。流程开机直接启动 SLAM 在线建图 Nav2 导航机器人未知环境下自动规划前进、一边走一边把新区域写入地图不用先遥控遍历全场再切换定位模式。1.3 对比主流 3D 激光 SLAMLightning-LM vs FAST-LIO / FAST-LIO-SAMFAST-LIO仅前端 LIO 里程计无成熟回环、地图管理、长期定位工程需自己补后端FAST-LIO-SAM基于 LIO-SAM 因子图后端内存占用高、实时性弱Lightning-LM完整一体化工业框架前端 FasterLIO 更快自研轻量化增量后端、瓦片地图、动态过滤、2D 栅格输出开箱即用嵌入式算力友好。Lightning-LM vs LIO-SAM、LiLi-OMLIO-SAM因子图优化耗资源大场景卡顿LiLi-OM专为 Livox 固态雷达优化通用性差Lightning-LM全雷达兼容算力更低内置长期定位、地图分块更适合商业化机器人落地。1.4 核心优势极致轻量化Jetson Xavier/Nano 无压力低配工控机就能跑一站式闭环里程计 回环 地图存储 长期定位 2D 栅格全部内置不用拼接多个开源包动态场景鲁棒三层动态点过滤园区、商场人流环境定位漂移极小大场景友好瓦片分块地图支持几公里园区、隧道连续建图高工程化模块化代码、完善配置系统、离线校验工具企业二次开发成本低。1.5 适用场景室内外巡检机器人、仓储 AGV园区低速无人车、矿区 / 隧道测绘Livox / 多线机械雷达通用建图、长期高精度定位需要同时输出 3D 点云地图 2D 导航栅格的一体化方案。1.6 选型建议如果你只需要激光惯性纯定位建图、嵌入式低算力、商用机器人落地 → Lightning-LM 是 2026 最优开源方案。2 各类机器人导航方案通用底层逻辑3D SLAM 输出的地图如何转化为导航可用数据Lightning-LM、FAST-LIO、LIO-SAM 这类 3D 激光 SLAM 输出原始稠密 / 稀疏点云地图点云不能直接用于规划必须做三层转换才能对接导航栈所有机器人通用这套预处理链路2.1 地图存储三种形态按导航需求选用原始点云地图PCD/Ply仅用于重定位匹配机器人运行时实时激光点云和预建点云 ICP/NDT 配准输出全局 6 自由度位姿map→base_link是导航定位的数据源不做路径规划只负责 “我在哪”。八叉树 OctoMap3D 体素占用地图三维概率栅格每个立方体体素标记「占用 / 空闲 / 未知」支持垂直高度判断腿足、无人机、人形机器人必备能识别台阶、护栏、悬空障碍物、沟壑。2D 投影占据栅格OGM对点云做地面分割 高度滤波只保留机器人底盘高度区间内的障碍物投影到 XY 平面生成二维栅格适配传统 ROS Nav2、move_base 轮式无人车导航栈Lightning-LM 自带 G2P5 模块一键输出。2.2 导航系统四大核心依赖全局定位预建 3D 点云地图作为先验实时激光帧与地图匹配输出全局位姿替代 GPS/AMCL室内、隧道、地下无 GNSS 场景核心方案全局路径规划基于 2D 栅格 / 3D 八叉树地图A、LPA、RRT * 生成从起点到目标的全局参考路径局部避障规划实时 3D 点云 预建地图融合DWA/TEB/DWB 控制器动态躲避静态障碍物 临时动态物体行人、车辆地形可通行性判断3D 地图提取高度梯度、台阶高度、沟壑深度判断机器人能否通行腿足 / 人形独有。2.3 标准完整工作流离线建图阶段遥控机器人遍历全场3D LIO SLAMLightning-LM闭环优化保存点云地图、位姿图、八叉树地图、2D 栅格在线定位导航阶段SLAM 切换纯定位模式不再增量更新地图实时激光 IMU 匹配预建 3D 地图输出全局 6D 位姿地图服务器加载 2D/3D 地图给规划模块全局规划生成长线路径局部规划实时避障运动控制器下发速度指令控制底盘 / 机体。2.4 分平台差异化使用方案无人车、无人机、机器狗、人形机器人2.4.1 轮式无人车园区 AGV、自动驾驶低速车、矿区车核心需求平面 2D 导航、低矮障碍物、长距离大场景、动态人流车流地图选用定位3D 稀疏点云地图用于 NDT 配准全局定位GPS 失效时兜底规划2D 投影栅格为主仅保留 0.2–2.2m 高度区间障碍物车辆底盘 车身高度过滤地面、高空树枝、天花板辅助简易 3D 八叉树识别路沿、低矮护栏、悬空管线。3D 地图导航关键用法地面分割过滤RANSAC 分离地面点消除地面噪声栅格只标记墙体、车辆、柱子动态点剔除Lightning-LM 三层动态过滤地图永久层只存静态建筑临时行人车辆不写入先验地图分块瓦片地图千米级园区地图分块加载不爆内存长距离巡航稳定多传感器融合3D 激光定位输出位姿融合 GPS、轮速计、IMU 做平滑融合高速行驶抑制漂移规划特点仅 XY 平面全局 A*局部 TEB/DWA 避障不考虑垂直运动输出线速度 角速度。典型落地Lightning-LM 原生适配直接输出 2D 栅格对接 Nav2工业 AGV 首选。2.4.2 无人机室内测绘、巡检、室内集群核心需求6 自由度三维空间飞行、高低空避障、无地面约束、GPS 拒止室内场景地图选用纯八叉树 OctoMap 为主稀疏 3D 点云用于定位不依赖 2D 栅格3D 地图导航关键用法全局定位室内无 GPS依靠 3D 激光点云地图做帧到地图 ICP 匹配输出完整 X/Y/Z/ 滚转 / 俯仰 / 偏航 6D 位姿三维路径规划基于八叉树体素RRT*、Kinodynamic RRT 生成三维空间航线自动绕开横梁、吊顶、墙面分层禁飞区3D 地图按高度分层设置低空、中层、高空可通行区域避免撞顶、撞地面轻量化处理点云大幅降采样八叉树分辨率 0.1–0.2m适配机载 Jetson 低算力特殊优化SLAM 做运动畸变补偿抵消无人机高速振动无轮式里程计完全依靠 LIO 紧耦合局限仅小型室内无人机使用 3D 激光 SLAM室外大无人机依赖 GPS很少离线 3D 地图导航。2.4.3 四足机器狗巡检、搜救、山地测绘宇树、ANYmal核心需求崎岖地形、台阶、斜坡、沟壑、全地形可通行判断3D 环境是刚需2D 栅格完全不够用地图选用定位3D 点云地图Livox 固态激光 LIO如 Lightning-LM、LiLi-OM规划稠密 3D 八叉树 地形高度图分层高程栅格3D 地图导航核心特色轮式没有地形语义提取从 3D 点云计算每个区域高度差、坡度、台阶高度坡度25°可直行25°–35°低速攀爬35°禁止通行台阶高度15cm正常踏步20cm绕行沟壑深度10cm 标记障碍分层代价地图多层高度栅格区分地面、台阶、护栏、上方障碍物电线、树枝防止抬腿碰撞步态 - 路径协同规划导航输出 3D 目标点位运动控制模块根据 3D 地图地形自动切换步态小跑、攀爬、缓步越障振动畸变补偿四足行走步态振动极大3D LIO 内置分段去畸变deskew保证点云匹配稳定导航流程全局 3D 路径规划 → 局部地形避障 → 地形匹配步态生成 → 四肢关节控制指令。2.4.4 人形机器人智元、特斯拉 Optimus、Agility核心需求室内办公 / 工厂、上下楼梯、低矮障碍物、上肢操作避障、全身三维碰撞检测地图选用高精度 3D 八叉树分辨率 0.05m 稀疏定位点云地图搭配局部实时深度点云3D 地图导航两大用途① 全局移动导航下肢行走和四足逻辑近似但人形约束更严格3D 地图筛选台阶高度≤20cm、斜坡≤20° 的通行区域区分地面障碍物桌椅、箱子和高空障碍物门框、吊灯防止头部碰撞全局路径基于三维高程地图规划避开陡坡、深坑② 上肢操作碰撞检测独有预建 3D 环境地图作为静态碰撞模型机械臂运动前基于 3D 体素做碰撞预检测保证抓取、操作时不撞到墙面、设备定位特点人形晃动幅度大3D 紧耦合 LIOLightning-LM高频输出 100Hz 位姿抵消躯干晃动漂移规划约束导航输出足部落脚点三维坐标全身运动规划结合 3D 地图做全身碰撞校验。2.5 3D 地图两大核心导航价值2D 激光 SLAM 无法替代垂直维度感知全地形通用2D 单线激光只能扫描单一高度平面无法识别台阶、悬空管线、沟壑、斜坡3D 激光地图完整记录空间高度腿足、人形、无人机必须依靠它实现安全导航。无 GNSS 高精度全局定位室内、隧道、井下、密林 GPS 失效场景3D 点云几何特征丰富匹配定位精度可达厘米级作为导航唯一位置输入这也是 Lightning-LM 这类 LIO 框架的核心工程价值。2.6 选型总结轮式无人车 / AGVLightning-LM 最优一键输出 2D 栅格瓦片大场景地图、动态过滤完善直接对接 Nav2仅用点云做定位2D 栅格做规划室内无人机Lightning-LM 轻量化 LIO 做定位搭配 OctoMap 三维规划机器狗 / 人形Lightning-LM 提供稳定 6D 位姿再基于输出点云生成八叉树高程地图做地形 全身碰撞规划需要视觉纹理重建数字孪生放弃纯激光 Lightning-LM选用 FAST-LIVO2、LVI-GS 激光视觉融合方案。2.7 共性特点原有轮式无人车、无人机、四足机器狗、人形机器人补充新增大类井下 / 管廊隧道轨道巡检车防爆履带消防、排爆、农林机器人港口 / 立体库高位叉车、堆垛 AGV地铁、综合管廊巡检机器人移动复合机械臂工业平台医院消毒、养老服务机器人矿用采掘防爆机器人水下 ROV 水下巡检平台工地测绘自主测量底盘高空升降检修机器人全部补充设备为什么必须 3D 激光 SLAM 地图2D 单线激光不够?环境存在大量高低分层立体障碍物货架、管线、横梁、多层集装箱地形存在坡度、台阶、沟壑需要高程判断通行性GPS 失效场景井下、隧道、室内、管廊依赖 3D 几何特征定位带机械臂 / 升降机构需要全三维碰撞检测。2.8 三种地图对应导航能力核心结论2D 栅格地图ROS1 move_base、ROS2 Nav2 官方完整开源导航栈开箱即用几乎不用自研3D 八叉树 OctoMap有成熟底层库、插件、开源 3D 规划工具但没有像 Nav2 那样一体化全套导航栈需要组装 少量二次开发原始 3D 点云地图完全没有现成导航包只能做定位不能直接规划全部逻辑要自己封装 / 自研。2.8.1 2D 栅格地图标准成熟开源导航无需自研OS1 navigation、ROS2 Nav2 是官方维护、工业通用完整栈内置地图服务器、代价地图、全局规划A*/LPA*、局部避障DWA/TEB/DWB、行为树、定位融合输入标准 /map 栅格话题所有轮式 AGV、园区无人车直接使用如果你用 Lightning-LM 自带 G2P5 模块一键输出投影 2D 栅格直接对接 Nav2仅配置 yaml 即可不用写导航代码。局限只能平面 XY 导航无法识别台阶、悬空管线、斜坡、上下层空间机器狗 / 无人机 / 人形不适用。2.8.2 3D 八叉树 OctoMap1octomap /octomap_server核心库官方成熟 C 库ROS 包直接订阅 SLAM 输出点云Lightning-LM/LIO-SAM/FAST-LIO完成三件事加载保存.bt八叉树地图射线碰撞检测、占用体素查询、最近障碍物距离自动截取 Z 轴高度向下投影输出标准 2D 栅格给 Nav2 使用。2Nav2 VoxelLayer / STVL 3D 代价地图插件Nav2 原生支持 3D 体素层订阅 OctoMap 点云构建 2.5D 多层代价地图可识别路沿、台阶、低矮护栏轮式机器人增强避障仅需配置参数不用写插件。3MoveIt2 OctomapUpdater机械臂、人形机器人专用把八叉树加载进运动规划场景做全身三维碰撞检测官方插件直接启用。4OMPL开源运动规划库内置 3D A、RRT/RRT/BIT*、Kinodynamic RRT原生支持 OctoMap 碰撞检测无人机、四足全局规划直接调用。5完整开源 3D 导航参考栈可改改直接用dddmr_navigationROS2 全套地面 3D 导航适配四足、斜坡地形ARC-Nav基于 OctoMapOMPL 的无人机 / 腿足 3D 导航框架无人机开源栈px4octomapompl室内三维航线规划工程方案。2.9 分机器人场景开发工作量对比2.9.1 轮式无人车 / AGV只用 2D 导航Lightning-LM 点云 → octomap_server 投影 2D 栅格 → Nav2 直接跑自研量0仅配置 launch/yaml。2.9.2 带台阶 / 路沿的地面机器人2.5D 增强导航Lightning-LM 点云 → OctoMap → Nav2 启用 VoxelLayer 体素层自研量极低仅配置代价地图参数。2.9.3 四足机器狗、人形机器人完整 3D 地形导航Lightning-LM 点云 → OctoMap OMPL 3D 全局规划 自定义地形代价 步态控制器适配自研量中等需要封装 3D 规划管线、地形判断逻辑。2.9.4 室内无人机纯三维空间 6DoF 导航Lightning-LM 点云 → OctoMap OMPL Kinodynamic RRT MPC 控制器自研量中等偏高需要处理飞行器动力学约束、三维避障平滑轨迹。2.9.5 移动机械臂操作碰撞检测Lightning-LM 点云 → OctoMap → MoveIt2 OctomapUpdater自研量低仅配置 MoveIt 规划场景插件。一句话区分2D 栅格全套开源导航零自研3D 八叉树底层库齐全缺一体化 3D 导航栈需组装 少量自研3D 点云仅定位可用规划全链路需要自己开发转换、规划、碰撞模块2.10 配套 Lightning-LM 落地标准链路推荐工程方案Lightning-LM 输出全局点云地图定位直接加载点云地图SLAM 切纯定位模式输出位姿导航预处理点云送入 octomap_server 生成八叉树轮式车八叉树投影 2D 栅格对接 Nav2零开发四足 / 无人机 / 人形基于八叉树 OMPL 封装自研 3D 导航管线。Lightning-LM 原生只内置 3D 点云 → 2D 栅格G2P5没有原生输出 OctoMap 标准 3D 八叉树体素地图的模块官方内置地图输出只有两类全局稀疏 / 稠密 3D 点云global.pcd用于 NDT/ICP 全局定位内部前端用 iVox 局部体素只做帧匹配加速不是对外可用于导航的标准 OctoMap 八叉树文件 / 话题iVox 是 SLAM 内部临时数据结构不能导出给导航规划。G2P5 2.5D 高度栅格map.pgm yaml仅做 Z 轴区间过滤、投影到 XY 平面生成传统 2D 占据栅格适配 move_base/Nav2 平面导航它本质是带高度阈值过滤的 2D 地图不是完整三维占用体素没有保存 “空间空闲 / 未知” 信息不能做三维避障、坡度 / 台阶三维判断。那想要 3D 八叉树地图该怎么实现两种工程方案方案 A在线实时生成建图 / 定位时同步跑 OctoMapLightning-LM 会实时发布全局点云话题启动独立octomap_server节点订阅该点云在线构建、发布、保存标准八叉树地图。最小 launch 逻辑启动 Lightning-LM开启with_g2p5可选输出/global_cloud点云单独启动octomap_server订阅/global_cloud设置体素分辨率可保存.bt八叉树地图同时输出 2D 投影栅格给 Nav2、输出 3D 体素给 OMPL/MoveIt。优点实时同步、建图阶段一次性产出点云 2D 栅格 3D 八叉树缺点多一个进程低配 Jetson 会增加少量算力开销。方案 B离线转换建图完成后用 pcd 批量生成 OctoMapLightning-LM 跑完保存global.pcd使用 octomap 自带工具2. octomap_pcd_to_octree离线把 pcd 转成.bt八叉树文件导航阶段只加载预存好的 bt 地图不需要实时处理点云。优点导航时无额外算力占用缺点无法在线增量更新八叉树地图改动后要重新离线转换。2.12 不同机器人配套使用总结轮式 AGV / 园区无人车只用原生 G2P5 2D 栅格无需八叉树机器狗 / 人形 / 室内无人机 / 移动机械臂必须外挂 octomap_server把 Lightning-LM 输出点云转成 3D 八叉树才能实现三维地形判断、全身碰撞、三维航线规划所有 3D 导航相关逻辑3D 全局规划、地形坡度解析、三维避障都需要自己封装Lightning-LM 只负责输出定位位姿与原始点云不提供三维导航能力。