LIO-SAM从0到1运行自己的数据集-Toy模板网

这篇具有很好参考价值的文章主要介绍了LIO-SAM从0到1运行自己的数据集。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。

LIO-SAM从0到1运行自己的数据集

前言

笔者在学习LIO_SAM时踩了不少坑，在此记录从开始到最后整个踩坑过程。文中参考了很多大佬的文章，我只是个搬运工。可以直接跳到第二部分从0到1实现有疑问可以随时联系我，欢迎交流。

一.LIO-SAM简单介绍（这一部分可以不看哦，干货在第二部分）

⼀种激光惯导紧耦合的SLAM框架，可在室内和室外实现效果不错的建图。

lio-sam,笔记,算法,机器学习,人工智能,自动驾驶

(1) ImageProjection 激光运动畸变校正

功能简介

1、利用当前激光帧起止时刻间的imu数据计算旋转增量，IMU里程计数据（来自ImuPreintegration）计算平移增量，进而对该帧激光每一时刻的激光点进行运动畸变校正（利用相对于激光帧起始时刻的位姿增量，变换当前激光点到起始时刻激光点的坐标系下，实现校正）；
（激光帧的起始数据——由IMU得到旋转增量，由IMU里程计得到平移增量，通过位姿增量，变换当前激光点到原始激光点，实现校正。）

2、同时用IMU数据的姿态角（RPY，roll、pitch、yaw）、IMU里程计数据的的位姿，对当前帧激光位姿进行粗略初始化。

订阅原始IMU数据；
订阅IMU里程计数据，来自ImuPreintegration，表示每一时刻对应的位姿；
订阅原始激光点云数据。

发布

发布当前帧激光运动畸变校正之后的有效点云，用于rviz展示；
发布当前帧激光运动畸变校正之后的点云信息，包括点云数据、初始位姿、姿态角、有效点云数据等，发布给FeatureExtraction进行特征提取。

(2) FeatureExtraction 点云特征提取

功能简介

对经过运动畸变校正之后的当前帧激光点云，计算每个点的曲率，进而提取角点、平面点（用曲率的大小进行判定）。

订阅当前激光帧运动畸变校正后的点云信息，来自ImageProjection。

发布

发布当前激光帧提取特征之后的点云信息，包括的历史数据有：运动畸变校正，点云数据，初始位姿，姿态角，有效点云数据，角点点云，平面点点云等，发布给MapOptimization；
发布当前激光帧提取的角点点云，用于rviz展示；
发布当前激光帧提取的平面点点云，用于rviz展示。

(3) ImuPreintegration IMU预积分

TransformFusion类

功能简介

主要功能是订阅激光里程计（来自MapOptimization）和IMU里程计，根据前一时刻激光里程计，和该时刻到当前时刻的IMU里程计变换增量，计算当前时刻IMU里程计；rviz展示IMU里程计轨迹（局部）。

订阅激光里程计，来自MapOptimization；
订阅imu里程计，来自ImuPreintegration。

发布

发布IMU里程计，用于rviz展示；
发布IMU里程计轨迹，仅展示最近一帧激光里程计时刻到当前时刻之间的轨迹。

ImuPreintegration类

功能简介

用激光里程计，两帧激光里程计之间的IMU预计分量构建因子图，优化当前帧的状态（包括位姿、速度、偏置）;
以优化后的状态为基础，施加IMU预计分量，得到每一时刻的IMU里程计。

订阅IMU原始数据，以因子图优化后的激光里程计为基础，施加两帧之间的IMU预计分量，预测每一时刻（IMU频率）的IMU里程计；
订阅激光里程计（来自MapOptimization），用两帧之间的IMU预计分量构建因子图，优化当前帧位姿（这个位姿仅用于更新每时刻的IMU里程计，以及下一次因子图优化）。

发布

发布imu里程计；

(4) MapOptimization 因子图优化

功能简介

1、scan-to-map匹配：提取当前激光帧特征点（角点、平面点），局部关键帧map的特征点，执行scan-to-map迭代优化，更新当前帧位姿；
2、关键帧因子图优化：关键帧加入因子图，添加激光里程计因子、GPS因子、闭环因子，执行因子图优化，更新所有关键帧位姿；
3、闭环检测：在历史关键帧中找距离相近，时间相隔较远的帧设为匹配帧，匹配帧周围提取局部关键帧map，同样执行scan-to-map匹配，得到位姿变换，构建闭环因子数据，加入因子图优化。

1、订阅当前激光帧点云信息，来自FeatureExtraction；
2、订阅GPS里程计；
3、订阅来自外部闭环检测程序提供的闭环数据，本程序没有提供，这里实际没用上。

发布

1、发布历史关键帧里程计；
2、发布局部关键帧map的特征点云；
3、发布激光里程计，rviz中表现为坐标轴；
4、发布激光里程计；
5、发布激光里程计路径，rviz中表现为载体的运行轨迹；
6、发布地图保存服务；
7、发布闭环匹配局部关键帧map；
8、发布当前关键帧经过闭环优化后的位姿变换之后的特征点云；
9、发布闭环边，rviz中表现为闭环帧之间的连线；
10、发布局部map的降采样平面点集合；
11、发布历史帧（累加的）的角点、平面点降采样集合；
12、发布当前帧原始点云配准之后的点云；

特点：

一共使用了三个传感器：imu,激光雷达，GPS（可选也可不选，在此我们主要测试VLP16+IMU的情况）；
Odometry (IMU frequency) 要收到雷达里程计（lidar odometry）信息后才发出，这样前端频率更高；
IMU odometry提供初始估计值并做了预积分处理，同时IMU原始数据对雷达进行运动补偿（两个传感器进行数据融合，对于周围环境信息进行更好的估测）；
后端因子图优化包括四个因子，IMU预积分结合雷达里程计的帧间约束因子在预积分节点维护，其他三个在后端节点维护，分别是GPS因子、雷达里程计因子和回环检测因子。
紧耦合：IMU的零偏可以被估计，利用雷达里程计的帧间约束进行反馈，使IMU解算更加准确，提供更好的初值。

补充说明：

IMU通常由三个单轴的加速度计和三个单轴的陀螺仪组成，加速度计检测载体在坐标系统中独立三轴的加速度信号，而陀螺仪检测载体相对于坐标系的角速度信号，对这些信号进行处理之后，便可解算出载体的姿态。IMU的更新频率较高，一般可达几百至1KHz。使用三个加速度值，通过两次积分可获得位移，以此实现位置定位，有角速度值积分可以获取姿态信息，结合在一起可获得物体的实际状态。需要注意的是IMU提供的是相对的原始定位信息，它的作用是测量相对于起点所运动的路线，所以它并不能提供你所在的具体位置的信息。

（9轴IMU有三个单轴加速度计，三个单轴陀螺仪和三个单轴磁力计）

具体的理论学习，源码解读，大家自行去网上搜索（这一部分公开的资料很多），笔者在此只着重介绍如何利用LIO_SAM运行自己的数据集。

二.从0到1实现（可以直接看这里）

1. 效果图

先放张效果图，大概能看出个运行出的效果，还是不错的，笔者当时录包的时候录了所有话题的消息，占用了大量内存，短短的40s视频占了4个G。这是没有必要的哈，我们使用激光雷达+IMU ，真正操作过程中我们只需要录雷达和imu话题（/velodyne_points和/imu/data）就可以了。

2. 硬件介绍

笔者用的是Velodyne16线激光雷达（简称VLP16）+9轴imu（N100）。

网上很多博主介绍跑LIO_SAM要用9轴IMU，6轴IMU也是可以运行的哈，听高博介绍LIO_SAM也是用的6轴。如果需要融合GPS或者资金允许可以采用9轴IMU。为了防止有争议，最好还是用9轴。

3. 前期工作

1）雷达数据格式

LIO-SAM算法对激光雷达的数据格式有着较为严格的要求，以往的单激光雷达建图的算法没注意到这一点，一般要求的是XYZI(x, y, z, intensity ) 格式即可，但是LIO-SAM要求的是 XYZIRT（x, y, z, intensity, ring, timestamp）格式，即算法内使用了激光雷达的通道数ring参数和时间戳timestep参数，启动算法时会检查是否具有这两个参数。那么如何获得这两个参数呢？如果你同笔者使用的激光雷达一样，你可以将激光雷达的驱动更新到RSLidar-SDK版本即可采集，参考大佬另一篇教程安装速腾最新的驱动：(44条消息) Ubuntu18.04 安装速腾聚创最新驱动RSLidar_SDK采集XYZIRT格式的激光点云数据 --SLAM不学无术小问题_^摆渡人的博客-CSDN博客
但问题是采集到的数据仍然有不可直接用，速腾格式的点和Velodyne格式的点还是有问题的。这又如何解决呢？大佬在某hub上找到了一位大佬的转化节点，这一节点可将速腾格式的点转化为Velodyne格式的点，具体安装步骤参考笔者另一篇教程链接: (44条消息) Ubuntu18 安装ROS节点解决----速腾聚创雷达点云格式转换为Velodyne雷达点云格式 --SLAM不学无术小问题_^摆渡人的博客-CSDN博客_速腾雷达转velodyne（此处搬运大佬的文章，侵删）

如果你使用的激光雷达和笔者是同一款，则不需要考虑这个问题。VLP16的格式就是 XYZIRT（x, y, z, intensity, ring, timestamp）格式，即算法内使用了激光雷达的通道数ring参数和时间戳timestep参数。

2）坐标系的一致性

（此处搬运大佬的文章，侵删）(44条消息) LIO-SAM运行自己数据包遇到的问题解决–SLAM不学无数术小问题_^摆渡人的博客-CSDN博客简单说就是对 frame_id 有要求，可以找到对应的源码修改，不想改源代码只能在外部使劲了，这里面涉及到了内部坐标的映射关系，不一样的话可能ERROR 导致无法建图，原作给出的数据集中的 frame_id是这样对应的：

//激光雷达数据
/points_raw-----------frame_id:"velodyne"--------
//IMU数据
/imu_raw--------------frame_id:"imu_link"--------
//GPS数据
/gps/fix--------------frame_id:"navset_link"-----

查看自己数据包的frame_id：

// 在播放数据包的时候使用如下指令查看某一Topic的frame_id：
 rostopic echo  /Topic    | grep   frame_id

如果与原作的不一样的话需要修改，具体修改方法可以在ROS的官方wiki下载一个工具包bag_tools，里面包含了许多关于数据包的操作工具，官方附带了使用教程，可自行百度下载解决。这里给一条印象中的转化指令：

 rosrun  bag_tools  change_frame_id.py  -t  /需要要改的topic   -f    新的frame_id    -i      旧.bag    -o    新.bag

4. imu的频率设置（重要）

imu的频率最好大于100HZ，笔者在用小于100HZ时导致了在跑数据包时，在转弯的时候，地图跟着车转动（准确来说跟着imu转动），一开始没有注意到imu频率问题，一直以为是外参设置的不够准确。其实看过原作者论文的话应该会发现，作者直接把外参设置为单位矩阵，如下图蓝色圈出的部分:平移矩阵和旋转矩阵

lio-sam,笔记,算法,机器学习,人工智能,自动驾驶

但是我们可以从下图官方配置的图看出，vlp16和imu的平移不可能是0，可见跑lio_sam不需要特别精准的外参，如果不相信的话，可以用标定工具标出的结果对比一下看看是不是接近单位矩阵。

lio-sam,笔记,算法,机器学习,人工智能,自动驾驶

笔者在一开始跑的时候，一直对外参和imu的内参的设置要精准坚信不疑，当我发现即使我的外参很精准，跑图还是很飘，就意识到事情的不对了，在此特别感谢两位大佬的提点。

5. imu和vlp16硬件位置的放置 (重要)

尽量将imu和雷达的位置放置的近一点，这样平移矩阵设置为0也没问题。
imu和雷达的坐标系最好完全一致，如果不能，则尽量保证坐标系相差90°或者180°；

在此插一句题外话，笔者在安装时，一开始没有搞清楚imu的坐标系，整了个乌龙，后来询问商家发现imu的物理坐标系在ROS中输出时已经被调整，而我还按照imu物理坐标系设置，跑出来的图飘的离谱。所以一定要弄清楚获取到的imu数据和雷达坐标系是什么方向的。在此放一张笔者安装图：

lio-sam,笔记,算法,机器学习,人工智能,自动驾驶

笔者的imu和lidar坐标系是安装的完全一致的（Z轴竖直向上），而且靠的也很近，所以笔者后来就直接将平移矩阵设置为0，旋转矩阵设置为单位矩阵（这样是最省事的）。外参设置的也就是imu和lidar的转换关系，如果从源头就解决这个问题，那就会方便很多。

在lio-sam参数文件中，在imu内参下面的有一个参数是imu的重力加速度，正负表示方向：

如果imu和vlp16的Z轴同时向上则设置为正，反之为负。

还需要注意一下波特率和imu频率匹配，115200对应的频率应该是不能超过50HZ，961200可以设置100HZ往上。

6. 激光雷达与IMU外参标定

可以直接跳到链接：(44条消息) LIO-SAM运行自己数据包遇到的问题解决–SLAM不学无数术小问题_^摆渡人的博客-CSDN博客_lio_sam这个博主写的很详细。

网上有很多开源的标定方法，笔者使用lidar_align标定成功。

按上述来说不需要特别精准的外参，如果允许程序时发现警告large bias…large velocity…，那就是外参设置错了，也就是转换关系错了，可以使用这个标定一下，看一下转换关系

（1）安装lidar_align联合标定激光雷达和IMU外参程序

下载lidar_align

cd 自己的工作空间/src

git clone https://github.com/ethz-asl/lidar_align.git

catkin_make

建议下载修正过后的代码：lidar_align_wwtx

新建自己的ROS工作空间，将该源码放入，catkin_make即可。

首次编译会因为缺少NLOPT库报错

编译时出现Could not find NLOPTConfig.cmake

解决方法：
```
sudo apt-get install libnlopt-dev
```
找到并将NLOPTConfig.cmake文件移动到 lidar_align/src/下（此处可以直接编译），如果还是报上面错误的话则在CMakeLists.txt里加上这样一句话：
```
list(APPEND CMAKE_FIND_ROOT_PATH ${PROJECT_SOURCE_DIR})
set (CMAKE_PREFIX_PATH "/usr/local/lib/cmake/nlopt")
```
如图：因为身在外地，无法演示，就放一张大佬的图吧（侵删）(44条消息) 激光雷达和IMU联合标定并运行LIOSAM_浪客_剑心的博客-CSDN博客_liosam

lio-sam,笔记,算法,机器学习,人工智能,自动驾驶

然后进行第二次编译

二次编译还是会报错，解决冲突问题（按照顺序，运行下面的命令即可）

sudo mv /usr/include/flann/ext/lz4.h /usr/include/flann/ext/lz4.h.bak

sudo mv /usr/include/flann/ext/lz4hc.h /usr/include/flann/ext/lz4.h.bak

sudo ln -s /usr/include/lz4.h /usr/include/flann/ext/lz4.h

 sudo ln -s /usr/include/lz4hc.h /usr/include/flann/ext/lz4hc.h

 catkin_make

第三次编译通过

（2）改写IMU接口

原文链接：https://blog.csdn.net/weixin_42141088/article/details/118000544 （侵删）

这一工具原本不是用来标定激光雷达和IMU的而是用来标定激光雷达和里程计的。所以需要改写IMU接口来替换掉里程计接口。所以这一工具一定程度上并不是精确标定上述两种传感器的，但不精确不代表不可用。改写这一接口的大佬没找着，没法连接了所以侵删联系。以下是做法：
打开loader.cpp文件

找到以下odom部分注释删掉都可
/*  types.push_back(std::string("geometry_msgs/TransformStamped"));
  rosbag::View view(bag, rosbag::TypeQuery(types));

  size_t tform_num = 0;
  for (const rosbag::MessageInstance& m : view) {
    std::cout << " Loading transform: \e[1m" << tform_num++
              << "\e[0m from ros bag" << '\r' << std::flush;

    geometry_msgs::TransformStamped transform_msg =
        *(m.instantiate<geometry_msgs::TransformStamped>());

    Timestamp stamp = transform_msg.header.stamp.sec * 1000000ll +
                      transform_msg.header.stamp.nsec / 1000ll;

    Transform T(Transform::Translation(transform_msg.transform.translation.x,
                                       transform_msg.transform.translation.y,
                                       transform_msg.transform.translation.z),
                Transform::Rotation(transform_msg.transform.rotation.w,
                                    transform_msg.transform.rotation.x,
                                    transform_msg.transform.rotation.y,
                                    transform_msg.transform.rotation.z));
    odom->addTransformData(stamp, T);
  }
*/

将以上部分替换为：

	types.push_back(std::string("sensor_msgs/Imu"));
	rosbag::View view(bag, rosbag::TypeQuery(types));
	size_t imu_num = 0;
	double shiftX=0,shiftY=0,shiftZ=0,velX=0,velY=0,velZ=0;
	ros::Time time;
	double timeDiff,lastShiftX,lastShiftY,lastShiftZ;
	for (const rosbag::MessageInstance& m : view){
	  std::cout <<"Loading imu: \e[1m"<< imu_num++<<"\e[0m from ros bag"<<'\r'<< std::flush;

	  sensor_msgs::Imu imu=*(m.instantiate<sensor_msgs::Imu>());

	  Timestamp stamp = imu.header.stamp.sec * 1000000ll +imu.header.stamp.nsec / 1000ll;
	  if(imu_num==1){
		 time=imu.header.stamp;
			 Transform T(Transform::Translation(0,0,0),Transform::Rotation(1,0,0,0));
		 odom->addTransformData(stamp, T);
	 }
	 else{
		 timeDiff=(imu.header.stamp-time).toSec();
		 time=imu.header.stamp;
		 velX=velX+imu.linear_acceleration.x*timeDiff;
		 velY=velX+imu.linear_acceleration.y*timeDiff;
		 velZ=velZ+(imu.linear_acceleration.z-9.801)*timeDiff;

		 lastShiftX=shiftX;
		 lastShiftY=shiftY;
		 lastShiftZ=shiftZ;
		 shiftX=lastShiftX+velX*timeDiff+imu.linear_acceleration.x*timeDiff*timeDiff/2;
		 shiftY=lastShiftY+velY*timeDiff+imu.linear_acceleration.y*timeDiff*timeDiff/2;
		 shiftZ=lastShiftZ+velZ*timeDiff+(imu.linear_acceleration.z-9.801)*timeDiff*timeDiff/2;

		 Transform T(Transform::Translation(shiftX,shiftY,shiftZ),
				Transform::Rotation(imu.orientation.w,
						 imu.orientation.x,
						 imu.orientation.y,
						 imu.orientation.z));
		 odom->addTransformData(stamp, T);
	 }
	}

并在开头添加头文件：

#include <sensor_msgs/Imu.h>

第四次编译

在此之前还需要安装一些其他的库Eigen，Metis，Gtsam，ceres等，总之缺什么就去网上找一下对应的库安装即可，在此需要注意（一定一定要注意版本匹配）。

（3）录制数据并标定

只需同时录制激光雷达和IMU（/velodyne_points和/imu/data）两分钟即可，最好数据量不要超过2G，超出2G之外可能出现未知错误无法标定。两分钟的数据应该尽量包含较大的旋转量和平移量（也就是先直线跑一段再转两圈），这样标出来的误差结果（据说）会收敛到几百以下（已经相当可以了），（标定过程较为漫长，耐心等待）。最好周围不要有透明的玻璃和移动障碍物。

下面这句命令意思就是录制只/velodyne_points /imu/data两个话题的数据包

cd 数据包存放的地方（不运行此句，则默认在home下）
rosbag record -O lidar_imu.bag /velodyne_points /imu/data

（4）修改launch文件

打开lidar_align.launch文件，将两分钟的数据包路经copy到下方：

lio-sam,笔记,算法,机器学习,人工智能,自动驾驶

开始标定

cd lidar_align
source devel/setup.bash 
roslaunch lidar_align lidar_align.launch

标定过程大概一个小时左右，耐心等待，迭代200~300次。

标定好之后会在终端显示出标定结果，也会在result文件夹下面生成对应的标定文件。

7. 下载imu_utils

这个是标定imu内参的，如果商家提供了内参，可以跳过这个标定步骤确保内参是正确的。这个步骤需要录制2小时。笔者就直接采用的商家提供的内参。

具体操作步骤这里参考了大佬文章，可直接跳过去按照大佬教程安装用imu_utils标定IMU，之后用于kalibr中相机和IMU的联合标定.

这里要录制两个小时的IMU数据，注意！！！录制数据时必须保持IMU的静止状态，录制全程不可晃动只录制IMU的Topic即可，不过别担心内存，两小时下来只要300M多一点。并且这个数据包最好是放到你imu_utils的工作空间下（与src并列的地方）。最好是IMU上电10分钟之后在开始录制，上电瞬间开始录制会有较大误差。

录制指令

rosbag play -r 200　imu_utils/imu.bag

需要注意的是在运行的终端标定时，终端是不会显示标定信息的，不要担心，它其实在正常运行，而且很快就能标定完成。

在此记录一个问题：

lio-sam,笔记,算法,机器学习,人工智能,自动驾驶

error: cannot convert 'int*' to'idx_t*'{aka long int*}' for argument '1' to 'int' METIS_NodeND(idx_t*, idx_t*, idx_t*,idx_t*, idx_t*, idx_t*,idx_t*)'

output_error = METIS_NodeND(&m, m_indexPtr.data(), m_innerIndices.data(), NULL, NULL, perm.data(), iperm.data());

此问题最后是因为ceres和Eigen版本不匹配造成的（耽搁了我好久！！）适当降低一下版本。

在此放上我运行成功的版本：
lio-sam,笔记,算法,机器学习,人工智能,自动驾驶

8.修改参数文件

根据上面标定的外参和内参对lio-sam参数文件进行修改：

具体修改的话，不再赘述，跳过去看大佬的教程https://blog.csdn.net/weixin_42141088/article/details/118000544，讲的挺详细的

在这我放上自己的参数文件，仅供参考

lio_sam:

  # Topics
  pointCloudTopic: "velodyne_points"      # Point cloud data（替换成自己的点云话题）
  imuTopic: "imu_data"                    # IMU data（替换自己的imu话题）
  odomTopic: "odometry/imu"                   # IMU pre-preintegration odometry, same frequency as IMU
  gpsTopic: "odometry/gpsz"      
  # GPS odometry topic from navsat, see（没有GPS就不需要更改） module_navsat.launch file

  # Frames
  lidarFrame: "base_link"
  baselinkFrame: "base_link"
  odometryFrame: "odom"
  mapFrame: "map"

  # GPS Settings
  useImuHeadingInitialization: false          # if using GPS data, set to "true"
  useGpsElevation: false                      # if GPS elevation is bad, set to "false"
  gpsCovThreshold: 2.0                        # m^2, threshold for using GPS data
  poseCovThreshold: 25.0                      # m^2, threshold for using GPS data
  
  # Export settings
  savePCD: true                               # https://github.com/TixiaoShan/LIO-SAM/issues/3
  savePCDDirectory: "/rosbag/pcd"           # in your home folder, starts and ends with "/". Warning: the code deletes "LOAM" folder then recreates it. See "mapOptimization" for implementation

  # Sensor Settings
  sensor: velodyne                            # lidar sensor type, 'velodyne' or 'ouster' or 'livox'
  N_SCAN: 16                                  # number of lidar channel (i.e., Velodyne/Ouster: 16, 32, 64, 128, Livox Horizon: 6)
  Horizon_SCAN: 1800                          # lidar horizontal resolution (Velodyne:1800, Ouster:512,1024,2048, Livox Horizon: 4000)
  downsampleRate: 1                           # default: 1. Downsample your data if too many points. i.e., 16 = 64 / 4, 16 = 16 / 1
  lidarMinRange: 1.0                          # default: 1.0, minimum lidar range to be used
  lidarMaxRange: 1000.0                       # default: 1000.0, maximum lidar range to be used

  # IMU Settings 对应imu的内参  我这里是直接用的商家提供的
  imuAccNoise: 1.0909715156015328e-02 
  imuGyrNoise: 8.0226069504443656e-04
  imuAccBiasN: 4.0347767978459928e-04
  imuGyrBiasN: 4.4153147263889589e-05
  imuGravity: 9.80511
  imuRPYWeight: 0.01

  # Extrinsics: T_lb (lidar -> imu)
  extrinsicTrans: [0.0, 0.0, 0.0]   #  平移矩阵  我这里直接设置为0   因为我imu和雷达靠的很近  在此不做赘述了 上面解释过了。
  extrinsicRot: [1, 0, 0,           # 旋转矩阵  我这里直接是单位矩阵，可以用上面标定的外参对比一下 
                  0, 1, 0,
                  0, 0, 1]
  extrinsicRPY: [1, 0, 0,
                  0, 1, 0,
                  0, 0, 1]
# LOAM feature threshold
  edgeThreshold: 1.0
  surfThreshold: 0.1
  edgeFeatureMinValidNum: 10
  surfFeatureMinValidNum: 100

我这里只列举了主要修改的地方，其他的参数根据注释和个人需要进行修改。

三. 实现

前面的工作做完了之后，现在就可以运行看效果了。

打开底层

roslaunch  xxx_bringup  xxx.launch  //每个人都不一样，这里是比较常见的方式，运行雷达，imu和底盘。

录制数据包

//放到对应的路径下
rosbag record -O xxx.bag /velodyne_points /imu/data

控制小车运动
录制包结束之后，开始跑lio-sam
```
roslaunch lio-sam run.launch 
cd xxxx//数据包的路径
rosbag play xxx.bag
```
这个时候就能看到rviz中的效果了。在跑完数据包后会自己保存pcd文件。

5.最后在bag包的路径下有一个pcl文件夹，这里面是保存的点云地图

//安装pcl_tools,安装过则跳过
sudo apt-get install  pcl-tools 
//到pcl路径下打开一个终端
pcl_viewer xxx.pcd

lio-sam,笔记,算法,机器学习,人工智能,自动驾驶

上图是我的一张pcd图。

四. 参考链接

(44条消息) LIO-SAM运行自己数据包遇到的问题解决–SLAM不学无数术小问题_^摆渡人的博客-CSDN博客_lio_sam

(44条消息) LIO-SAM：配置环境、安装测试、适配自己采集数据集_有待成长的小学生的博客-CSDN博客_lio-sam文章来源地址https://www.toymoban.com/news/detail-785489.html

到了这里，关于LIO-SAM从0到1运行自己的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从0到1运行自己的数据集