表格数值含义0完全空闲，可以通行100完全被障碍物占用‑1未知区域1~99中间概率置信度行优先 row‑major；先存第一行全部格子，再第二行。。

SLAM 自己生成的地图，只有相对坐标，原点是建图开机时刻机器人位置，不会自动获得现实世界绝对位置。普通室内巡逻巡检，只用地图内部相对点位，不需要标定，这是主流做法。如果需要 GPS、CAD 图纸这种外部绝对坐标，必须额外标定求解坐标变换矩阵，地图本身栅格数据不改动。每次重新建图，原点会改变；尽量建好图就保存，后续只跑定位，避免原点变动带来麻烦。

SLAM 分两个阶段：第一阶段，利用实时激光雷达环境数据（类似计算机视觉中的图片）进行建图，类似计算机视觉中的学习训练过程；第二阶段，根据新的实时激光雷达环境数据（类似计算机视觉中的图片）进行在先前构建的图中的位置定位，类似计算机视觉中的分类预测或推理过程。

Gmapping 是 ROS 生态里面最经典的。适用：室内小 / 中等场景，比如办公室、机房、仓库；。

室内无 GPS 的工业机器人，2D 激光雷达建图是工程首选，稳定性综合最优。视觉 SLAM 成本低，但可靠性不如激光，一般做辅助，很少单独作为工业导航唯一方案。GPS 室内完全不能用。CAD 图纸只能作为初始参考，现实环境总有改动，几乎都要激光现场校准。

硬件基础：2D 激光雷达，不断向外发射激光，测出各个方向物体离机器人有多远，得到一圈环境轮廓点云。三者都是原始测距数据之上做上层算法，测距是地基，避障、跟随、巡逻是上面不同的业务功能。

上层业务应用依赖测距输出的数据做算法处理。

智能体的可视化界面外壳；通用底层脚本语言；给 JS 加规范的开发工具，保障智能体框架稳定；操控电脑本地文件、桌面、进程的运行底座；承载大模型、RAG、图像识别等 AI 计算的专用算力层。做系统自动化与管理面板，Python外挂补充 AI 算法能力。

结合前面架构、CPU 软硬件类比体系，逐个讲原理 + 链路结构 + 落地场景。

自己造 Agent 决策链路，无现成 Agent 对象；LangGraph：手动定义节点 + 路由，抛弃 BaseAgent 体系，工业复杂 Agent 主流方案。返回值 =各类 Agent 实例对象；实例必须塞入才能运行；不想用内置 Agent 种类 → LCEL 手写 / LangGraph 自定义替代。