118、拓扑图与语义地图：层次化环境表示的导航规划上周在实验室调试一台搭载了RTK-GPS和3D激光雷达的巡检机器人，遇到一个特别典型的场景——园区里有一条长走廊，两侧是玻璃幕墙，激光雷达在玻璃面前基本是瞎子，点云反射回来全是噪声。机器人走到一半，定位漂移了将近一米，导航规划直接给出一条穿墙的路径。当时我盯着RViz里的轨迹，第一反应是骂传感器，但冷静下来想，问题出在环境表示上——我们一直在用栅格地图做全局规划，这种稠密表示在长走廊、玻璃墙、动态行人混杂的环境里，鲁棒性太差了。后来我把导航架构改成了三层：底层用局部代价地图做实时避障，中层用拓扑图做路径决策，顶层用语义地图做任务理解。改完之后，同样的走廊场景，机器人哪怕定位漂了三十厘米，拓扑层依然能给出正确的走廊走向，因为拓扑节点之间的连接关系是离散的，不依赖精确的度量坐标。这篇文章就把这套层次化环境表示的思路拆开讲，重点放在拓扑图和语义地图的构建、融合，以及它们在导航规划里到底怎么用。先聊拓扑图。拓扑图本质上是把连续空间离散成节点和边，节点代表关键位置（比如走廊拐角、门口、电梯口），边代表节点之间的可达关系，边上可以附带距离、通行难度、是否经过门等属性。构建方式有两种主流路线：一种是基于栅格地图的骨架化，先对2D栅格做距离变换，提取中轴，然后在中轴上采样节点，再根据连通性连边；另一种是基于经验轨迹，让机器人先手动走几遍，记录位姿序列，然后用类似分段线性拟合的方法提取拐点作为节点，相邻拐点之间连边。我强烈建议你在项目初期用第二种，因为第一种对栅格地图质量要求太高，玻璃墙、动态障碍物会让中轴提取出来的骨架乱七八糟，你还要花大量时间做剪枝。经验轨迹法虽然需要人工干预，但胜在可控，而且节点天然带有语义含义——比如“