LIO-SAM学习与运行测试数据集-Toy模板网

这篇具有很好参考价值的文章主要介绍了LIO-SAM学习与运行测试数据集。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

0. 说明

0.1 环境配置说明

环境配置: ubuntu18.04, ros1(ros-melodic)
注: 在ros1的kinetic, melodic, noetic(https://github.com/TixiaoShan/LIO-SAM/issues/206)上被测试过;
ros1的github代码: https://github.com/TixiaoShan/LIO-SAM/tree/master
ros2的github代码: https://github.com/TixiaoShan/LIO-SAM/tree/ros2

0.2 LIO-SAM

论文：LIO-SAM:Tightly-coupled Lidar Inertial Odometry vis Smoothing and Mapping
是一个实时激光雷达惯性里程计(lidar-inertial odometry)包。

0.3 系统架构

LIO-SAM学习与运行测试数据集

我们设计了一个系统，该系统可以维护两个图形，并且运行速度比实时快 10 倍。（比实时快10倍，实时是指的是激光雷达的频率吗？）
"mapOptimization.cpp"中的因子图 (the factor graph) 优化了激光雷达里程计因子和 GPS 因子 (lidar odometry factor and GPS factor)。该因子图在整个测试过程中始终保持不变。
"imuPreintegration.cpp"中的因子图优化了 IMU 和激光雷达里程计因子(IMU and lidar odometry factor)并估计了 IMU 偏差。该因子图会定期重置，并保证在 IMU 频率下的实时里程估计。

0.4 LIO-SAM youtube视频演示：

https://www.youtube.com/watch?v=A0H8CoORZJU
视频部分截图如下：

Rotation Dataset:

LIO-SAM学习与运行测试数据集

Walking Dataset:

LIO-SAM学习与运行测试数据集

Park Dataset:

LIO-SAM学习与运行测试数据集

Campus Dataset:

LIO-SAM学习与运行测试数据集

Amsterdam Dataset:

LIO-SAM学习与运行测试数据集

stress test:

LIO-SAM学习与运行测试数据集

1. 编译与运行

1.1 依赖

ROS相关:

sudo apt-get install -y ros-melodic-navigation
sudo apt-get install -y ros-melodic-robot-localization
sudo apt-get install -y ros-melodic-robot-state-publisher

1.2 gstam

（先不要急着安装）使用apt方法安装方式如下：

sudo add-apt-repository ppa:borglab/gtsam-release-4.0
sudo apt install libgtsam-dev libgtsam-unstable-dev

之前用源码编译安装的，如下，这次就先不安装
https://blog.csdn.net/BIT_HXZ/article/details/127135551

1.2 安装

cd ~/catkin_ws/src
git clone https://github.com/TixiaoShan/LIO-SAM.git
cd ..
catkin_make

1.3 运行

(1) launch文件：

roslaunch lio_sam run.launch
如果出现报错：

[lio_sam_imuPreintegration-2] process has died [pid 1671, exit code 127, cmd /home/meng/subject/Lio_sam_ws/devel/lib/lio_sam/lio_sam_imuPreintegration __name:=lio_sam_imuPreintegration __log:=/home/meng/.ros/log/635269ee-46bc-11ed-a61b-1c697af31044/lio_sam_imuPreintegration-2.log].
[lio_sam_mapOptmization-5] process has died [pid 1672, exit code 127, cmd /home/meng/subject/Lio_sam_ws/devel/lib/lio_sam/lio_sam_mapOptmization __name:=lio_sam_mapOptmization __log:=/home/meng/.ros/log/635269ee-46bc-11ed-a61b-1c697af31044/lio_sam_mapOptmization-5.log].

LIO-SAM学习与运行测试数据集

缺少一些库。它们已安装但不可用，因为不在 LD_LIBRARY_PATH 环境变量中。所以将 /usr/local/lib 目录添加到变量中解决了我的问题。

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib

LIO-SAM学习与运行测试数据集

(2) 播放数据包：

rosbag play your-bag.bag -r 3

2 lidar和imu数据准备

2.1 准备lidar数据

用户需要准备正确格式的点云数据以进行点云校正(cloud deskewing)，这主要在“imageProjection.cpp”中完成。

2.1.1 提供点云的时间戳

LIO-SAM 使用 IMU 数据执行点云校正. 因此，需要知道扫描中的相对点时间(the relative point time), 最新的 Velodyne ROS 驱动程序应直接输出此信息。在这里，我们假设点时间通道被称为"time"。点类型的定义位于"imageProjection.cpp"的顶部。"deskewPoint()"函数利用这个相对时间来获得这个点相对于扫描开始(the beginning of the scan)的变换。当激光雷达以 10Hz 旋转时，一个点的时间戳应该在 0 到 0.1 秒之间变化。
如果您使用其他激光雷达传感器，您可能需要更改此时间通道的名称，并确保它是扫描中的相对时间。

2.1.2 提供点所在环号(point ring number)

LIO-SAM 使用此信息在矩阵中正确组织点, 环号表示该点属于传感器的哪个通道。点类型的定义位于"imageProjection.cpp"的顶部, 最新的 Velodyne ROS 驱动程序应直接输出此信息。
同样，如果您使用其他激光雷达传感器，您可能需要重命名此信息。请注意，该软件包目前仅支持机械激光雷达。

2.2 准备imu数据

(1)imu准备

与最初的 LOAM 实现一样，LIO-SAM 仅适用于 9-axis IMU，它提供横滚、俯仰和偏航估计(roll, pitch, and yaw estimation)。横滚和俯仰估计主要用于将系统初始化为正确的姿态。当使用 GPS 数据时，偏航估计将系统初始化在正确的航向。
从理论上讲，像 VINS-Mono 这样的初始化程序将使 LIO-SAM 能够与 6 轴 IMU 一起工作。系统的性能很大程度上取决于 IMU 测量的质量。 IMU 数据速率越高，系统精度就越好。
我们使用 Microstrain 3DM-GX5-25，它以 500Hz 的频率输出数据。我们建议使用至少提供 200Hz 输出速率的 IMU。注意，Ouster 激光雷达的内部 IMU 是一个 6 轴 IMU。

(2)imu对齐alignment

LIO-SAM 将 IMU 原始数据从 IMU 帧转换为 Lidar 帧，遵循 ROS REP-105[ROS坐标系] 法则（x - 向前，y - 左，z - 向上）。为了使系统正常运行，需要在"params.yaml"文件中提供正确的外部转换(the correct extrinsic transformation)。之所以有两个extrinsic(是extrinsicRot和extrinsicRPY嘛？)，是因为我的IMU（Microstrain 3DM-GX5-25）加速度(acceleration)和姿态(attitude)坐标不同。取决于您的 IMU 制造商，您的 IMU 的两个外在参数可能相同也可能不同。
以作者的设置为例：
==>>需要设置 x-z 加速度(x-z acceleration)和陀螺仪负值(gyro negative)的读数来转换激光雷达坐标系(the lidar frame)中的 IMU 数据，这在 “params.yaml” 中由 “extrinsicRot” 表示。
==>>姿态读数的转变可能略有不同。 IMU的姿态测量q_wb通常是指IMU坐标系中的点到世界坐标系（例如ENU）的旋转。但是，该算法需要 q_wl，即从激光雷达到世界的旋转。所以我们需要从激光雷达到 IMU 的旋转 q_bl，其中 q_wl = q_wb * q_bl。为方便起见，用户只需在"params.yaml"中提供q_lb为"extrinsicRPY"（如果加速度和姿态坐标相同，则与"extrinsicRot"相同）。

(3)imu调试

强烈建议用户取消注释 “imageProjection.cpp” 的 “imuHandler()” 中的调试行并测试转换后的 IMU 数据的输出(会在终端打印输出)。用户可以旋转传感器套件以检查读数是否与传感器的运动相对应。可以在此处找到显示更正 IMU 数据的 YouTube 视频链接到 YouTube。
imu与雷达坐标系：
LIO-SAM学习与运行测试数据集

imu调试：

LIO-SAM学习与运行测试数据集

3 样例数据集

下载链接：https://drive.google.com/drive/folders/1gJHwfdHCRdjP7vuT556pv8atqrCJPbUq

LIO-SAM学习与运行测试数据集

3.1 可使用默认设置运行的数据集

(1)数据集

步行数据集–walking dataset
公园数据集–Park dataset
花园数据集–Garden dataset

(2)公园数据集

公园数据集用于使用 GPS 数据测试 LIO-SAM。该数据集由 Yewei Huang(https://robustfieldautonomylab.github.io/people.html) 收集。
要启用 GPS 功能，请将"params.yaml"中的"gpsTopic"更改为"odometry/gps"。在 Rviz 中，取消选中"地图（云）“并选中"地图（全局）”。还要检查"Odom GPS"，它可以可视化 GPS 里程计。
可以调整"gpsCovThreshold"以过滤不良 GPS 读数。 “poseCovThreshold"可用于调整将 GPS 因子添加到图形的频率。例如，您会注意到 GPS 会不断修正轨迹，因为您将"poseCovThreshold"设置为 1.0。由于 iSAM 的重度优化(heavy optimization)，建议播放速度为”-r 1"。

poseCovThreshold 保持为默认的25m^2时：

LIO-SAM学习与运行测试数据集

点云地图：

LIO-SAM学习与运行测试数据集

poseCovThreshold 设置为1m^2，并显示gps时：
LIO-SAM学习与运行测试数据集

LIO-SAM学习与运行测试数据集

3.2 需要配置参数的数据集

(1)旋转数据集–Rotation dataset
(2)校园数据集(large)–Campus dataset (large)
(3)校园数据集(small)–Campus dataset (small)

在这些数据集中，点云主题是"points_raw"。 IMU 主题是"imu_correct"，它给出了 ROS REP105 （ros的坐标系参考标准）标准中的 IMU 数据。由于此数据集不需要 IMU 转换，因此需要更改以下配置才能成功运行此数据集：
==>>“config/params.yaml"中的"imuTopic"参数需要设置为"imu_correct”。
imuTopic: "imu_raw" # IMU data
==>>"config/params.yaml"中的"extrinsicRot"和"extrinsicRPY"需要设置为单位矩阵(identity matrices)。

  # extrinsicRot: [1, 0, 0,
  #                 0, 1, 0,
  #                 0, 0, 1]
  # extrinsicRPY: [1, 0, 0,
  #                 0, 1, 0,
  #                 0, 0, 1]

3.3 Ouster (OS1-128) 数据集–Rooftop dataset

(1)数据集描述

如果您使用默认设置，则无需更改此数据集的外部参数。请按照下面的 Ouster 说明配置包以使用 Ouster 数据运行。可以在 YouTube 上找到该数据集的视频：

LIO-SAM学习与运行测试数据集

(2)准备工作

硬件部分：
==>>使用外部 IMU。 LIO-SAM 不适用于 Ouster 激光雷达的内部 6 轴 IMU。您需要将 9 轴 IMU 连接到激光雷达并执行数据收集(data-gathering)。
==>>配置驱动程序。将 Ouster 启动文件中的"timestamp_mode"更改为"TIME_FROM_PTP_1588"，这样您就可以为点云设置 ROS 格式的时间戳。
Config:
==>>将"params.yaml"中的"sensor"更改为"ouster"。
==>>根据您的激光雷达更改"params.yaml"中的"N_SCAN"和"Horizon_SCAN"，即N_SCAN=128，Horizon_SCAN=1024。

注：Gen 1 和 Gen 2 Ouster：似乎不同版本的点坐标定义可能不同。请参阅问题 #94 进行调试。

(3)自己运行

一个终端：
roslaunch lio_sam run.launch
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib
另一个终端：
rosbag play your-bag.bag
运行效果：

LIO-SAM学习与运行测试数据集

全局地图：

LIO-SAM学习与运行测试数据集

(4)自我体会

可以清楚看出：数据集具有楼顶和地面两个平面，属于是多个平面了

3.4 Livox Horizon数据集–Livox Horizon

(1)说明：

请注意，固态激光雷达尚未经过 LIO-SAM 的广泛测试。这里也使用外部 IMU，而不是内部 IMU。对此类激光雷达的支持基于对机械激光雷达代码库的最小更改。需要使用定制的 livox_ros_driver 来发布 LIO-SAM 可以处理的点云格式。

(2)配置

请更改以下参数以使 LIO-SAM 与 Livox Horizon 激光雷达一起工作：

    sensor: livox
    N_SCAN: 6
    Horizon_SCAN: 4000
    edgeFeatureMinValidNum: 1

(3)自己运行

LIO-SAM学习与运行测试数据集

全局(点云)地图：

LIO-SAM学习与运行测试数据集

(4)自我体会

环境是不是选的不是很好？点云效果很乱
固态雷达不能和lio-sam很好地适应？

3.5 KITTI 数据集–2011_09_30_drive_0028

(1)数据集描述

数据集包括的话题和话题频率如下：

LIO-SAM学习与运行测试数据集

要使用其他 KITTI 原始数据生成更多包，您可以使用“config/doc/kitti2bag(之前的使用笔记：https://blog.csdn.net/BIT_HXZ/article/details/124319662)”中提供的 python 脚本。

(2)数据集外部参数修改

由于 LIO-SAM 需要高频 IMU 才能正常运行，因此我们需要使用 KITTI 原始数据(kitti raw data)进行测试。一个尚未解决的问题是 IMU 的内在特性是未知的，这对 LIO-SAM 的准确性有很大影响。下载提供的示例数据并在"params.yaml"中进行以下更改：

extrinsicTrans: [-8.086759e-01, 3.195559e-01, -7.997231e-01]
extrinsicRot: [9.999976e-01, 7.553071e-04, -2.035826e-03, -7.854027e-04, 9.998898e-01, -1.482298e-02, 2.024406e-03, 1.482454e-02, 9.998881e-01]
extrinsicRPY: [9.999976e-01, 7.553071e-04, -2.035826e-03, -7.854027e-04, 9.998898e-01, -1.482298e-02, 2.024406e-03, 1.482454e-02, 9.998881e-01]
N_SCAN: 64
downsampleRate: 2 or 4
loopClosureEnableFlag: true or false

(3)github参考建图效果

github参考图：

LIO-SAM学习与运行测试数据集

(4)自己运行

一个终端：
roslaunch lio_sam run.launch
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib
另一个终端：（注意不要带上 -r 3，可能是因为kitti数据量比较大，带上的话建图会乱）
rosbag play your-bag.bag

LIO-SAM学习与运行测试数据集

(5)自我体会

可以清楚看出：没有滤除动态目标

4 其他说明

4.1 params.yaml

  # Export settings
  savePCD: true                              
  savePCDDirectory: "/Downloads/LOAM/"

修改输出参数为true会在：/Downloads/LOAM/文件夹下生成pcd文件：

LIO-SAM学习与运行测试数据集

终端输入 pcl_viewer xx.pcd 即可查看

5. github 问题搬运

5.1 [lio_sam_mapOptmization-5] process has died

github 高赞回答：
LIO-SAM学习与运行测试数据集

Okay, I have solved the problem.
Initially, I upzip and move the gtsam folder into my src folder of my workspace. Which I follow the step
mkdir build && cd build
cmake -DGTSAM_BUILD_WITH_MARCH_NATIVE=OFF …
sudo make install -j8
I also compile LIO-SAM afterwards.
and I encounter mapoptimization crashing, which is due to gtsam as mentioned by @TixiaoShan in the Readme.
So I rm gtsam from my workspace, put it inside my root folder instead and run
mkdir build && cd build
cmake -DGTSAM_BUILD_WITH_MARCH_NATIVE=OFF …
sudo make install -j8
at there.
The problem was resolved.文章来源地址https://www.toymoban.com/news/detail-415329.html

到了这里，关于LIO-SAM学习与运行测试数据集的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

LIO-SAM学习与运行测试数据集

0. 说明

0.1 环境配置说明

0.2 LIO-SAM

0.3 系统架构

0.4 LIO-SAM youtube视频演示：

Rotation Dataset:

Walking Dataset:

Park Dataset:

Campus Dataset:

Amsterdam Dataset:

stress test:

1. 编译与运行

1.1 依赖

1.2 gstam

1.2 安装

1.3 运行

(1) launch文件：

(2) 播放数据包：

2 lidar和imu数据准备

2.1 准备lidar数据

2.1.1 提供点云的时间戳

2.1.2 提供点所在环号(point ring number)

2.2 准备imu数据

(1)imu准备

(2)imu对齐alignment

(3)imu调试

3 样例数据集

3.1 可使用默认设置运行的数据集

(1)数据集

(2)公园数据集

3.2 需要配置参数的数据集

3.3 Ouster (OS1-128) 数据集–Rooftop dataset

(1)数据集描述

(2)准备工作

(3)自己运行

(4)自我体会

3.4 Livox Horizon数据集–Livox Horizon

(1)说明：

(2)配置

(3)自己运行

(4)自我体会

3.5 KITTI 数据集–2011_09_30_drive_0028

(1)数据集描述

(2)数据集外部参数修改

(3)github参考建图效果

(4)自己运行

(5)自我体会

4 其他说明

4.1 params.yaml

5. github 问题搬运

5.1 [lio_sam_mapOptmization-5] process has died

相关文章

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

微信扫一扫打赏

支付宝扫一扫领取红包，优惠每天领

二维码1

二维码2