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://op