当前位置： 首页 > news >正文

LIO-SAM 算法从入门到部署实践

news 2025/9/7 9:56:59

1. LIO-SAM 概述

LIO-SAM (Lidar Inertial Odometry via Smoothing and Mapping) 是TixiaoShan在2020年IROS会议上提出的一种紧耦合的激光雷达惯性里程计系统，通过因子图优化方法，融合激光雷达、IMU以及可选的GPS数据，实现了高精度的定位与建图，源码及论文：https://pan.baidu.com/s/1wTwTyd9Weyc6zLV3LGkPwQ?pwd=zhan

相比之前的LeGO-LOAM，LIO-SAM主要有这些优势：

  • 紧耦合集成IMU：通过IMU预积分提供初始估计并对点云进行运动补偿，显著提高了系统的鲁棒性和精度。
  • 因子图优化框架：后端优化包含IMU预积分因子、激光雷达里程计因子、GPS因子和回环检测因子，实现了多传感器信息的深度融合。
  • 更高的输出频率：里程计以IMU的频率输出（需要在收到雷达里程计信息后），使得前端频率更高。
  • 更好的回环检测：基于位置关系选择回环帧，并通过点云匹配计算回环因子，有效减小了累积误差。
    在这里插入图片描述

2. 环境配置与安装

LIO-SAM有两个版本，ROS1版本相对完整，ROS1官方默认支持Ubuntu16.04的kinetic，ROS2官方版本默认支持 Ubuntu 20.04的foxy及galactic和Ubuntu 22.04 的humble ，不过正常在Ubuntu 16.04到22.04系统上应该都可以，以下是详细的步骤：

2.1 安装ROS：

按照ROS官方Wiki指导安装ROS1/ROS2版本，参考ROS和Ubuntu对应关系

# 对于ROS xxx (Ubuntu)
sudo apt-get install -y ros-xxx-navigation
sudo apt-get install -y ros-xxx-robot-localization
sudo apt-get install -y ros-xxx-robot-state-publisher# 对于ROS noetic(Ubuntu 20.04)
sudo apt-get install -y ros-noetic-navigation
sudo apt-get install -y ros-noetic-robot-localization
sudo apt-get install -y ros-noetic-robot-state-publisher

在这里插入图片描述
在这里插入图片描述

2.2 安装GTSAM（建议4.0.2或4.0.3版本）：

# 从GitHub克隆源码
git clone https://github.com/borglab/gtsam.git
cd gtsam
mkdir build && cd build
# 编译安装。注意：DGTSAM_BUILD_WITH_MARCH_NATIVE选项设为OFF以避免一些兼容性问题
cmake -DGTSAM_BUILD_WITH_MARCH_NATIVE=OFF ..
sudo make install -j4  # -j4表示使用4个线程编译，可根据CPU核心数调整

2.3 LIO-SAM源码

mkdir -p ~/catkin_ws/src
cd ~/catkin_ws/src
git clone https://github.com/TixiaoShan/LIO-SAM.git
cd ..
catkin_make  # ROS1使用
colcon build # ROS2 使用

在这里插入图片描述
在这里插入图片描述

2.4 ROS2可能的编译及兼容性问题（跟Lego-loam一致）：

  • 标准C++和boost不兼容错误：lio-sam/src/imuPreintegration.cpp（r214），boost::shared_ptr 改为 std::shared_ptr，并增加#include
  • 标准C++ 11不兼容错误（cc1plus）：在lio-sam/CMakeLists.txt的find_package后，增加对c++11支持，set(CMAKE_CXX_STANDARD 11)
    set(CMAKE_CXX_STANDARD_REQUIRED ON)
  • 格式不一致警告：lio-sam/src/mapOptmization.cpp（r1741），增加强制类型转换static_cast(cloudKeyPoses6D->size())
  • 变量定义警告：lio-sam/src/mapOptmization.cpp（r365-366），删除变量unused

3. 算法解析

LIO-SAM的系统框架主要包含以下几个关键模块，它们通过因子图优化紧密耦合：

模块名称核心功能关键技术点与其他模块的协作
图像投影点云预处理、运动畸变去除检查点云"ring"和"time"字段；利用IMU数据去畸变接收原始点云和IMU数据；为特征提取提供去畸变点云
特征提取从点云中提取平面和边缘特征基于曲率计算进行特征分类接收去畸变点云；为激光里程计提供特征点
激光里程计特征匹配与帧间位姿估计前后帧特征匹配（平面/边缘）；IMU预积分提供初值接收特征和IMU数据；输出帧间约束到位姿优化
位姿优化融合各传感器数据并进行位姿优化因子图优化（IMU、激光、GPS、回环）；IMU偏置估计接收所有传感器约束；输出优化后的位姿和地图

  • 点云预处理与运动畸变校正：LIO-SAM利用高频IMU数据对激光雷达扫描过程中的运动畸变进行校正，这一步对于低速或剧烈运动的平台尤为重要。

  • IMU预积分：IMU数据在因子图中以预积分的形式提供约束，不仅提供了帧间运动的初始估计，还可以估计IMU的零偏。

  • 因子图优化：这是LIO-SAM的核心，它融合了四种约束因子：

    • IMU预积分因子：提供帧间的运动约束。
    • 激光里程计因子：来自特征匹配的位姿约束。
    • GPS因子（可选）：当GPS信号可用时，提供全局位置约束，防止累计误差漂移。
    • 回环检测因子：当检测到回环时，提供位姿约束，校正累积误差。

  • 地图管理：LIO-SAM维护一个全局地图，但为了效率，匹配时使用的是局部地图而非全局地图，这大大加快了处理速度。

4. 官方数据集

成功编译LIO-SAM后，下一步就是用官方数据集测试，直观感受其性能。

数据集下载：
LIO-SAM的官方数据集通常存储在Google Drive，国内下载可能不便，可以尝试百度网盘：https://pan.baidu.com/s/1o8AM52xmSeuVqQB0O6vo_A?pwd=zhan，常用的数据集包括：

  • casual_walk_2.bag：最简单，通常无需修改参数即可运行。
  • outdoor.bag 和 west.bag：需要修改参数。
  • park.bag：包含GPS数据，可用于测试GPS融合。

运行数据集：

启动LIO-SAM节点：

source ~/catkin_ws/devel/setup.bash
roslaunch lio_sam run.launch

在这里插入图片描述

在这里插入图片描述

播放数据集：

# 在新终端中（以outdoor.bag为例）
rosbag play outdoor.bag

在这里插入图片描述

参数调整 （针对不同数据集）：

  • 对于outdoor.bag和west.bag，通常需要修改params.yaml配置文件：

    • 将imuTopic从"imu_raw"改为"imu_correct"。
    • 将extrinsicRot和extrinsicRPY（雷达与IMU之间的旋转外参）设置成单位矩阵。
      在这里插入图片描述

  • 对于包含GPS的数据集park.bag：

    • 将gpsTopic从"odometry/gpsz"改为"odometry/gps"。
    • 将useImuHeadingInitialization从false改为true，这对于GPS数据的正确处理至关重要。

保存地图：
如果想要保存生成的地图，可以在params.yaml中进行如下设置：

savePCD: true
savePCDDirectory: "/home/suo/Downloads/lio/"  # 替换为你想要的保存路径，路径前后需有"/"

注意：保存地图可能需要较长时间。如果地图过大，ROS节点可能在保存完成前就被关闭。此时可以尝试调整ROS的_TIMEOUT_SIGINT参数（例如从默认的15秒改为60秒），该参数通常在/opt/ros/你的ROS版本/lib/python2.7/dist-packages/roslaunch/nodeprocess.py文件中。
在这里插入图片描述
在这里插入图片描述

5. 机器人部署

这是最富挑战性也最有价值的环节，即将LIO-SAM应用于你自己的机器人平台。

5.1 硬件准备与数据采集

传感器要求：你需要一个3D激光雷达（如Velodyne、Ouster或Livox）和一个IMU。IMU与雷达之间的外参（相对位置和姿态）需要尽量准确地获得，可以通过标定得到。

数据录制：使用rosbag record命令录制你机器人移动时的传感器数据，确保同时录制激光雷达点云话题和IMU话题。

5.2 关键配置与参数调整

机器人平台必然与官方数据集不同，因此需要修改LIO-SAM的配置文件params.yaml：

传感器话题名称：将pointCloudTopic、imuTopic等参数修改为你的传感器实际发布的话题名称。你可以使用rostopic list命令来查看。

外参标定：

  • extrinsicTrans：IMU到雷达的平移外参，需要根据实际测量或标定结果填写。
  • extrinsicRot 和 extrinsicRPY：IMU到雷达的旋转外参。这是最容易出错的地方之一。如果设置不正确，可能会导致系统发散。对于许多设备，这两个矩阵可以都设置为单位矩阵，但有些设备可能需要不同的旋转。
  • 传感器参数：根据你的雷达型号（线数、视场角、频率等）和IMU型号，调整相应的参数。

5.3 适配自定义数据（核心难点）

LIO-SAM在imageProjection.cpp中会严格检查输入的点云数据是否包含ring和time字段：

  • ring：表示激光点所属的线束序号（例如16线雷达的ring值从0到15）。
  • time：表示当前激光点相对于该帧点云第一个点的扫描时间戳，用于运动畸变校正。

如果点云缺少这两个字段，程序会报错并退出，解决方法通常有两种：

  • 修改驱动或转换节点：确保你的雷达驱动发布的点云消息中包含这两个字段。或者，编写一个转换节点，根据点云的物理特性（如垂直角度推断ring，根据扫描时间规律计算time）来补全这两个字段。
  • 修改LIO-SAM源码（不推荐初学者，但有时不可避免）：注释掉检查ring和time的代码段，但这可能会影响运动畸变校正的效果，需要非常谨慎。

5.4 运行与调试

像运行官方数据集一样启动bag包，密切观察RViz中的可视化结果。如果出现轨迹发散、地图错乱等问题，需要耐心调试，常见问题与排查：

  • “Large velocity, reset IMU-preintegration”：外参不准（特别是旋转外参）是导致这个错误的常见原因。请重新检查并校准IMU和雷达之间的外参。
  • 轨迹漂移严重：尝试调整因子图中各约束的权重参数；检查IMU数据的质量和时间同步。
  • 系统运行缓慢：点云数量过多可能导致处理延迟。可以尝试在params.yaml中调整点云降采样的参数。

文章转载自：

http://nMORp8hi.zbqry.cn
http://9HvjeH3z.zbqry.cn
http://Y0vyGCdA.zbqry.cn
http://zuDc8vGg.zbqry.cn
http://K3jKnYl6.zbqry.cn
http://zUaaHsXn.zbqry.cn
http://YzQGFEna.zbqry.cn
http://jcvC060c.zbqry.cn
http://HFSeLsev.zbqry.cn
http://CpHiGkQc.zbqry.cn
http://KCGeGso1.zbqry.cn
http://1HVOwXph.zbqry.cn
http://cC01EkNU.zbqry.cn
http://PPSf3Tcw.zbqry.cn
http://24Xn9qRQ.zbqry.cn
http://CWI2BmhJ.zbqry.cn
http://g7OTCKJj.zbqry.cn
http://QQN0I1lP.zbqry.cn
http://4d9yV9W2.zbqry.cn
http://DrOosQlp.zbqry.cn
http://qo7m6LcR.zbqry.cn
http://La2eirOn.zbqry.cn
http://LsTWrar1.zbqry.cn
http://tOlqU2n8.zbqry.cn
http://ioYPS1Av.zbqry.cn
http://nsmy6FoS.zbqry.cn
http://tWz8ncb2.zbqry.cn
http://T68AdZac.zbqry.cn
http://3H1lBBLK.zbqry.cn
http://VXDrHHpT.zbqry.cn
http://www.dtcms.com/a/370858.html

相关文章：

  • ES6 核心特性详解：从变量声明到函数参数优化
  • 云手机在企业办公中的作用
  • 2025高教社国赛数学建模C题参考论文（含模型和代码）
  • RPC 和 HTTP 的区别
  • 通过Idea 阿里插件快速部署java jar包
  • 在Ubuntu 22.04系统中无需重启设置静态IP地址
  • 数据结构中排序的时间、空间复杂度以及稳定性
  • 面试开发工程师需要做哪些准备
  • hot100-贪心算法（附图解思路）
  • 京东商品属性API数据解析：颜色、尺寸与材质
  • 附051.Kubernetes Karmada kubectl 插件部署联邦及使用
  • 从 Excel 趋势线到机器学习：拆解 AI 背后的核心框架​
  • 嵌入式学习笔记--Linux系统编程阶段--DAY06进程间通信-消息队列
  • 【Beetle RP2350】摇杆控制自定义角度旋转舵机
  • 波特率vs比特率
  • C++ 14新增特性以及代码示例
  • SDRAM详细分析-08 数据手册解读
  • 51单片机---硬件学习（电子琴、主从应答模式、modbus模型、DS18B20传感器显示温度）
  • Blender 3D建模工具学习笔记
  • k8s网络原理
  • 新后端漏洞（上）- Weblogic SSRF漏洞
  • LockSupport详解以及使用
  • 【73页PPT】智慧方案业务协同管理平台解决方案（附下载方式）
  • Qt的入门
  • v0.29.1 敏感词性能优化之内部类+迭代器内部类
  • 【C++ 启发式搜索算法】
  • 个人成长职业发展
  • AI、人工智能础: 实体命名!
  • LeetCode 刷题【66. 加一、67. 二进制求和】
  • langchain源码概览