从图优化到终生建图：2D激光SLAM地图更新策略梳理

在移动机器人的实际应用中，一个被普遍忽略却至关重要的事实是：地图是会“过期”的。办公室家具挪动、仓库货架调整、走廊临时物料堆放——环境始终在变化，而传统SLAM生成的地图一旦构建完成便静止不变。当机器人拿着“过期”地图导航时，定位失效乃至碰撞风险随之而来。2D激光SLAM是否具备地图自动更新能力，成为现阶段移动机器人的技术壁垒之一。

一、动态环境：地图更新的根本挑战

2D激光SLAM的标准流程包含前端里程计、后端优化、建图和回环检测。静态环境下运行良好，但当出现移动物体或结构性变化时，传统SLAM会将这些变化错误地“固化”进地图，导致“鬼影”或重复障碍物痕迹。地图更新问题的本质在于：机器人需具备区分“临时变化”与“永久变化”的能力，并据此决定如何更新已有地图。

二、图优化框架下的地图更新策略

Cartographer（Google开源）将地图划分为多个子图（submaps），通过子图管理机制实现局部增删改。这种“增补替换”策略避免了全局重建，使地图能随环境“新陈代谢”，同时通过多分辨率网格自动过滤动态物体。

SLAM Toolbox（开源：https://github.com/SteveMacenski/slam_toolbox）的核心功能是终生建图（life-long mapping）。用户可随时加载已保存的位姿图继续建图，系统在添加新扫描时自动移除陈旧信息，支持多会话合并与持续建图。

三、滤波框架下的粒子退化与自适应重采样

以GMapping（https://openslam-org.github.io/gmapping.html）为代表的滤波SLAM采用粒子滤波，粒子退化问题直接影响建图质量。GMapping通过自适应重采样（仅在有效粒子数低于阈值时重采样）缓解退化。后续改进如萤火虫算法优化建议分布（ECICE 2018）、果园环境下的前端与重采样优化（《农业机械学报》2023），核心均是保留粒子多样性。

四、面向长期运行的系统级地图维护

1. ELite（ICRA 2025，arXiv:2502.13452）：引入暂态性概率建模，将地图点分类为不同时间尺度下的短暂存在状态，维护实时更新的静态地图。开源：https://github.com/dongjae0107/ELite

2. ROLL（IROS 2022）：通过“临时建图”策略，当全局匹配不可靠时激活临时建图，待匹配恢复后合并到预构建地图。开源：https://github.com/hyye/ROLL

3. DynaLOAM（《Autonomous Robots》2025，DOI:10.1007/s10514-025-10213-8）：采用轻量级检测器快速响应动态对象，结合在线子图清理实现实时动态移除。开源：https://github.com/HITSZ-NRSL/DynaLOAM.git

4. 语义辅助长期定位（开源：https://github.com/HITSZ-NRSL/long-term-localization）：通过CNN推断点云语义，提取杆状物等长期静态目标并配准到语义地图，实现环境变化下的可靠定位。

五、总结与展望

从Cartographer的子图替换、SLAM Toolbox的终生建图，到ELite、ROLL、DynaLOAM等系统级方案，2D激光SLAM地图自动更新正从“被动应对”走向“主动维护”。核心趋势：图优化框架凭借子图灵活性成为主流；语义与暂态建模有望根本解决动态物体过滤；轻量化与实时性平衡仍是工程瓶颈。开发者需理解各策略原理，根据场景选择合适方案，方能在真实部署中实现可靠导航