Cartographer 3D点云建图实战：从安装到可视化全流程解析

1. Cartographer 3D点云建图入门指南

第一次接触Cartographer时，我被它强大的3D建图能力震撼到了。作为谷歌开源的SLAM算法，Cartographer在机器人导航和无人驾驶领域已经成为行业标杆。不同于传统2D建图，3D点云建图能完整保留环境的三维结构信息，这对于复杂场景下的路径规划至关重要。

你可能好奇：为什么选择Cartographer而不是其他SLAM方案？实测下来，它在处理大规模环境时的稳定性和精度确实出色。我曾在10,000平米的仓库里测试，建图过程没有出现明显的漂移或崩溃。更重要的是，它支持多传感器融合，可以同时处理激光雷达、IMU和里程计数据，这正是现代机器人系统需要的。

如果你是ROS用户，Cartographer还有个巨大优势——完善的ROS集成。这意味着你可以轻松地将它接入现有的机器人系统，无需从头开发数据接口。下面这张表格对比了几种主流SLAM方案的特点：

准备开始前，你需要确保系统环境满足以下要求：

• Ubuntu 18.04/20.04（推荐）
• ROS Melodic/Noetic
• 至少8GB内存（处理大型点云建议16GB+）
• 支持3D数据的激光雷达（如Velodyne或RS-LiDAR）

2. 环境配置与依赖安装

2.1 基础依赖安装

装环境是每个开发者的必经之路，这里我分享几个踩坑后的经验。首先用apt安装基础工具：

sudo apt-get update sudo apt-get install -y git cmake python3-wstool python3-rosdep ninja-build

接着是Ceres Solver，这是Cartographer的核心优化库。建议从源码编译安装以获得最佳性能：

git clone https://github.com/ceres-solver/ceres-solver.git cd ceres-solver mkdir build && cd build cmake .. -DCMAKE_BUILD_TYPE=Release make -j$(nproc) sudo make install

2.2 Protobuf 3.0编译

Cartographer对Protobuf版本有严格要求，必须使用3.0以上版本。这是我遇到最多问题的环节，特别注意编译参数：

git clone https://github.com/protocolbuffers/protobuf.git cd protobuf git checkout v3.6.1 mkdir build && cd build cmake -DCMAKE_POSITION_INDEPENDENT_CODE=ON \ -DCMAKE_BUILD_TYPE=Release \ -Dprotobuf_BUILD_TESTS=OFF ../cmake make -j$(nproc) sudo make install

安装完成后，务必检查版本号：

protoc --version # 应该显示 libprotoc 3.6.1

2.3 Cartographer本体安装

这里有个关键提示：不要使用master分支！我亲测最新版可能存在不稳定问题，推荐使用release-1.0分支：

git clone https://github.com/googlecartographer/cartographer.git cd cartographer git checkout release-1.0 mkdir build && cd build cmake .. -G Ninja ninja CTEST_OUTPUT_ON_FAILURE=1 ninja test sudo ninja install

3. ROS集成与测试

3.1 创建工作空间

创建一个独立的catkin工作空间是个好习惯，避免污染系统环境：

mkdir -p ~/carto_ws/src cd ~/carto_ws wstool init src wstool merge -t src https://raw.githubusercontent.com/googlecartographer/cartographer_ros/master/cartographer_ros.rosinstall wstool update -t src rosdep install --from-paths src --ignore-src -y catkin_make_isolated --install --use-ninja source install_isolated/setup.bash

3.2 测试数据集验证

在正式使用前，先用官方提供的2D博物馆数据集测试：

wget -P ~/Downloads https://storage.googleapis.com/cartographer-public-data/bags/backpack_2d/cartographer_paper_deutsches_museum.bag roslaunch cartographer_ros demo_backpack_2d.launch bag_filename:=${HOME}/Downloads/cartographer_paper_deutsches_museum.bag

如果看到RViz中成功显示地图，说明安装正确。对于3D测试，可以使用背包3D数据集：

wget -P ~/Downloads https://storage.googleapis.com/cartographer-public-data/bags/backpack_3d/with_intensities/b3-2016-04-05-14-14-00.bag roslaunch cartographer_ros demo_backpack_3d.launch bag_filename:=${HOME}/Downloads/b3-2016-04-05-14-14-00.bag

4. 实战3D点云建图

4.1 传感器配置

实际项目中，你需要正确配置传感器参数。以RS-LiDAR为例，关键是要准确定义TF变换。创建一个URDF文件描述传感器关系：

<robot name="rslidar"> <link name="base_link"/> <link name="laserbase_link"/> <joint name="laser_joint" type="fixed"> <parent link="base_link"/> <child link="laserbase_link"/> <origin xyz="0.1 0 0.2" rpy="0 0 0"/> </joint> </robot>

4.2 Launch文件编写

创建自定义launch文件my_3d_mapping.launch：

<launch> <param name="robot_description" textfile="$(find your_pkg)/urdf/rslidar.urdf" /> <node name="robot_state_publisher" pkg="robot_state_publisher" type="robot_state_publisher" /> <node name="cartographer_node" pkg="cartographer_ros" type="cartographer_node" args=" -configuration_directory $(find cartographer_ros)/configuration_files -configuration_basename my_3d.lua" output="screen"> <remap from="points2" to="/rslidar_points" /> <remap from="imu" to="/imu/data" /> </node> <node name="cartographer_occupancy_grid_node" pkg="cartographer_ros" type="cartographer_occupancy_grid_node" args="-resolution 0.05" /> </launch>

4.3 配置文件调整

创建my_3d.lua配置文件，关键参数说明：

include "map_builder.lua" include "trajectory_builder.lua" options = { map_builder = MAP_BUILDER, trajectory_builder = TRAJECTORY_BUILDER, tracking_frame = "laserbase_link", published_frame = "base_link", odom_frame = "odom", provide_odom_frame = true, use_odometry = false, num_laser_scans = 0, num_multi_echo_laser_scans = 0, num_subdivisions_per_laser_scan = 1, num_point_clouds = 1, lookup_transform_timeout_sec = 0.2, submap_publish_period_sec = 0.3, pose_publish_period_sec = 5e-3, trajectory_publish_period_sec = 30e-3, } MAP_BUILDER.use_trajectory_builder_3d = true TRAJECTORY_BUILDER_3D.num_accumulated_range_data = 1 return options

5. 地图保存与可视化

5.1 保存建图结果

建图完成后，通过服务调用保存状态：

# 结束当前轨迹 rosservice call /finish_trajectory 0 # 保存状态到pbstream文件 rosservice call /write_state "filename: '${HOME}/map.pbstream'"

5.2 点云导出与转换

使用assets_writer将pbstream转为PLY点云：

roslaunch cartographer_ros assets_writer_my_3d.launch \ bag_filenames:=${HOME}/your_data.bag \ pose_graph_filename:=${HOME}/map.pbstream

将PLY转换为更通用的PCD格式：

pcl_ply2pcd input.ply output.pcd

5.3 点云可视化

用PCL库快速查看点云效果：

#include <pcl/visualization/cloud_viewer.h> #include <pcl/io/pcd_io.h> int main() { pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>); pcl::io::loadPCDFile("output.pcd", *cloud); pcl::visualization::CloudViewer viewer("3D Map Viewer"); viewer.showCloud(cloud); while (!viewer.wasStopped()) {} return 0; }

在实际项目中，我发现Cartographer对传感器校准非常敏感。特别是IMU和激光雷达的时间同步，误差超过5ms就会明显影响建图质量。建议先用专门的校准工具做好传感器标定，这会大幅提升最终地图的精度。