CMake 3.28 实战：5步构建SLAM项目库，从Hello到Eigen集成
CMake 3.28 实战：5步构建SLAM项目库，从Hello到Eigen集成
在机器人感知与自主导航领域，SLAM（Simultaneous Localization and Mapping）技术的工程化实现离不开高效的构建工具。本文将演示如何用CMake 3.28构建一个包含自定义库和Eigen矩阵运算库的完整SLAM工程，不同于零散的Hello World示例，我们聚焦于实际项目中的关键需求：
- 模块化设计：将核心算法封装为可复用的静态/动态库
- 第三方集成：规范引入Eigen等数学库
- 工程实践：创建符合现代CMake标准的项目结构
- 性能考量：对比不同链接方式的优劣
- 跨平台兼容：确保Linux/Windows/macOS的一致性
1. 项目架构设计
典型的SLAM工程需要分层管理代码，建议采用以下目录结构（示例中<>表示目录）：
slam_project/ ├── CMakeLists.txt # 根配置文件 ├── include/ # 公共头文件 │ └── slam/ # 项目专属头文件 ├── src/ # 主程序源码 ├── libs/ # 子模块库 │ ├── core/ # SLAM核心算法 │ │ ├── CMakeLists.txt │ │ ├── include/ │ │ └── src/ │ └── utils/ # 工具函数库 └── thirdparty/ # 第三方依赖 └── eigen/ # Eigen头文件库提示：实际项目中建议使用git submodule管理第三方库，而非直接拷贝源码
2. 基础CMake配置
从最简单的可执行文件开始，逐步扩展为完整工程。创建顶层CMakeLists.txt：
cmake_minimum_required(VERSION 3.28) project(SLAM_Project LANGUAGES CXX) # 全局编译选项 set(CMAKE_CXX_STANDARD 17) set(CMAKE_CXX_STANDARD_REQUIRED ON) option(BUILD_SHARED_LIBS "Build shared libraries" ON) # 安装路径配置 include(GNUInstallDirs) set(CMAKE_ARCHIVE_OUTPUT_DIRECTORY ${CMAKE_BINARY_DIR}/lib) set(CMAKE_LIBRARY_OUTPUT_DIRECTORY ${CMAKE_BINARY_DIR}/lib) set(CMAKE_RUNTIME_OUTPUT_DIRECTORY ${CMAKE_BINARY_DIR}/bin) # 添加子目录 add_subdirectory(libs/core) add_subdirectory(src)关键参数说明：
| 参数 | 作用 | 推荐值 |
|---|---|---|
| CMAKE_CXX_STANDARD | C++标准 | 17/20 |
| BUILD_SHARED_LIBS | 默认库类型 | ON/OFF |
| CMAKE_ARCHIVE_OUTPUT_DIRECTORY | 静态库输出路径 | ${CMAKE_BINARY_DIR}/lib |
3. 创建核心算法库
在libs/core/CMakeLists.txt中定义算法库：
# 收集所有源文件 file(GLOB_RECURSE SOURCES "src/*.cpp") file(GLOB_RECURSE HEADERS "include/*.hpp") # 创建库目标 add_library(slam_core ${SOURCES} ${HEADERS}) # 头文件可见性设置 target_include_directories(slam_core PUBLIC $<BUILD_INTERFACE:${CMAKE_CURRENT_SOURCE_DIR}/include> $<INSTALL_INTERFACE:include> PRIVATE ${CMAKE_CURRENT_SOURCE_DIR}/src ) # 编译特性配置 target_compile_features(slam_core PUBLIC cxx_std_17) target_compile_options(slam_core PRIVATE -Wall -Wextra) # 安装规则 install(TARGETS slam_core EXPORT slam_core-targets ARCHIVE DESTINATION ${CMAKE_INSTALL_LIBDIR} LIBRARY DESTINATION ${CMAKE_INSTALL_LIBDIR} RUNTIME DESTINATION ${CMAKE_INSTALL_BINDIR} ) install(DIRECTORY include/ DESTINATION include)4. Eigen集成实战
Eigen是SLAM中常用的线性代数库，采用纯头文件实现。集成步骤：
- 查找包：
find_package(Eigen3 3.4 REQUIRED NO_MODULE) if(NOT Eigen3_FOUND) message(FATAL_ERROR "Eigen3 not found, please install with: sudo apt-get install libeigen3-dev") endif()- 创建测试程序（示例
eigen_demo.cpp）：
#include <iostream> #include <Eigen/Dense> int main() { Eigen::Matrix3d R = Eigen::Matrix3d::Identity(); Eigen::Vector3d v(1.0, 2.0, 3.0); std::cout << "Rotation matrix:\n" << R << "\n" << "Transformed vector:\n" << R * v << std::endl; return 0; }- CMake配置：
add_executable(eigen_demo eigen_demo.cpp) target_link_libraries(eigen_demo PRIVATE Eigen3::Eigen slam_core)5. 高级技巧与调试
5.1 静态库与动态库对比
特性对比表：
| 特性 | 静态库(.a) | 动态库(.so) |
|---|---|---|
| 链接时机 | 编译时 | 运行时 |
| 文件大小 | 较大 | 较小 |
| 内存占用 | 独立副本 | 共享内存 |
| 更新方式 | 重新编译 | 替换文件 |
| 兼容性 | 高 | 需版本匹配 |
切换构建类型：
# 构建静态库 cmake -DBUILD_SHARED_LIBS=OFF .. # 构建动态库（默认） cmake -DBUILD_SHARED_LIBS=ON ..5.2 调试支持
启用调试符号和优化级别：
if(CMAKE_BUILD_TYPE STREQUAL "Debug") target_compile_options(slam_core PRIVATE -g3 -O0) target_compile_definitions(slam_core PRIVATE DEBUG=1) else() target_compile_options(slam_core PRIVATE -O3 -march=native) endif()5.3 跨平台处理
处理不同平台的路径差异：
if(WIN32) target_compile_definitions(slam_core PRIVATE OS_WINDOWS) elseif(UNIX AND NOT APPLE) target_compile_definitions(slam_core PRIVATE OS_LINUX) elseif(APPLE) target_compile_definitions(slam_core PRIVATE OS_MACOS) endif()6. 完整构建流程
- 配置阶段：
mkdir -p build && cd build cmake .. -DCMAKE_BUILD_TYPE=Release- 编译阶段：
make -j$(nproc) # Linux/macOS # 或使用cmake --build . --config Release --target ALL_BUILD -j 8 # Windows- 安装阶段（可选）：
sudo cmake --install . --prefix /usr/local- 测试运行：
./bin/eigen_demo # 运行示例程序7. 常见问题解决
Q1：找不到Eigen头文件？
# 明确指定Eigen路径 cmake .. -DEigen3_DIR=/path/to/eigen/share/eigen3/cmakeQ2：符号冲突问题？
# 在库的CMakeLists中添加可见性控制 set_target_properties(slam_core PROPERTIES CXX_VISIBILITY_PRESET hidden)Q3：如何生成编译数据库？
cmake -DCMAKE_EXPORT_COMPILE_COMMANDS=ON .. # 生成compile_commands.json供clangd等工具使用在实际SLAM项目开发中，我们通常会遇到需要同时处理多个传感器数据流的情况。例如下面这个简化的多线程处理示例：
// sensor_fusion.cpp #include "slam_core/sensor_fusion.hpp" #include <Eigen/Core> #include <thread> void processLidarData(const Eigen::MatrixXd& scan) { // 点云处理逻辑 } void processImageData(const cv::Mat& image) { // 视觉特征提取 } int main() { Eigen::MatrixXd lidar_scan = loadLidarData(); cv::Mat camera_image = loadCameraData(); std::thread t1(processLidarData, std::ref(lidar_scan)); std::thread t2(processImageData, std::ref(camera_image)); t1.join(); t2.join(); return 0; }对应的CMake配置需要添加OpenCV依赖：
find_package(OpenCV REQUIRED) target_link_libraries(sensor_fusion PRIVATE OpenCV::OpenCV Eigen3::Eigen)