Ubuntu 20.04 下 LVI-SAM 复现全记录：从 gtsam 版本踩坑到 OpenCV 头文件修改
Ubuntu 20.04 下 LVI-SAM 复现实战：从 gtsam 版本适配到 OpenCV 接口升级全解析
在机器人感知与定位领域，LVI-SAM 作为融合激光雷达与视觉信息的 SLAM 系统，因其优异的实时性和鲁棒性备受关注。然而其复杂的依赖环境配置常常让开发者陷入"依赖地狱"。本文将分享我在 Ubuntu 20.04 系统上从零开始复现 LVI-SAM 的完整历程，重点解决 gtsam 版本兼容性和 OpenCV 接口升级两大核心痛点。
1. 环境准备与基础依赖安装
1.1 系统环境确认
首先确保系统环境符合以下要求：
- Ubuntu 20.04.6 LTS（推荐使用官方镜像）
- ROS Noetic 完整版
- NVIDIA 显卡驱动 ≥ 510（如需 GPU 加速）
- CUDA 11.4（可选，视硬件配置）
提示：建议使用全新的 Ubuntu 系统进行操作，避免已有环境变量或旧版库造成冲突
1.2 基础工具链配置
安装必要的编译工具和依赖库：
sudo apt update && sudo apt install -y \ build-essential cmake git wget \ libeigen3-dev libboost-all-dev \ libopencv-dev python3-catkin-tools验证 Eigen3 版本（需 ≥ 3.3.7）：
pkg-config --modversion eigen32. 关键依赖库的精确版本控制
2.1 Ceres Solver 1.4.0 编译指南
虽然 Ubuntu 20.04 软件源提供 Ceres，但建议手动编译确保版本匹配：
git clone --branch 1.14.0 https://ceres-solver.googlesource.com/ceres-solver cd ceres-solver && mkdir build && cd build cmake .. -DBUILD_TESTING=OFF -DBUILD_EXAMPLES=OFF make -j$(nproc) sudo make install关键参数说明：
-DBUILD_TESTING=OFF：跳过测试节省编译时间-DBUILD_EXAMPLES=OFF：禁用示例程序构建-j$(nproc)：使用全部 CPU 核心加速编译
2.2 gtsam 4.0.3 的黄金组合
经过多次验证，gtsam 4.0.3 是与 LVI-SAM 兼容的最佳版本：
git clone --branch 4.0.3 https://github.com/borglab/gtsam.git cd gtsam && mkdir build && cd build cmake .. -DGTSAM_BUILD_WITH_MARCH_NATIVE=OFF make -j$(nproc) sudo make install常见问题排查：
- 若遇到
undefined reference to boost错误，需确认已安装libboost-all-dev - 编译时内存不足可尝试减少并行任务数（如
make -j2）
3. LVI-SAM 源码深度适配
3.1 项目克隆与基础修改
获取适配性更好的社区维护版本：
git clone https://github.com/YJZLuckyBoy/lviorf.git cd lviorf && mkdir build && cd build必须进行的 CMake 修改：
- 修改
CMakeLists.txt第 8 行：
set(CMAKE_CXX_FLAGS "-std=c++14") # 原为 c++11- 在第 37 行后添加：
find_package(Boost REQUIRED COMPONENTS timer thread serialization chrono)3.2 OpenCV 接口现代化改造
由于 OpenCV 4.x 的 API 变更，需要修改以下文件：
| 原接口 | 新接口 | 文件位置 |
|---|---|---|
| CV_RGB2GRAY | cv::COLOR_RGB2GRAY | BRIEF.cpp |
| CV_FONT_HERSHEY_SIMPLEX | cv::FONT_HERSHEY_SIMPLEX | keyframe.cpp |
| <opencv/cv.h> | <opencv2/opencv.hpp> | utility.h |
具体修改示例：
// 修改前 #include <opencv/cv.h> cv::cvtColor(image, gray, CV_RGB2GRAY); // 修改后 #include <opencv2/imgproc.hpp> cv::cvtColor(image, gray, cv::COLOR_RGB2GRAY);4. 编译排错与性能优化
4.1 常见编译错误解决方案
- Eigen 冲突错误：
sudo rm -f /usr/include/eigen3/Eigen/src/Core/util/Memory.h- Boost 链接错误： 在
CMakeLists.txt中添加：
link_directories(/usr/lib/x86_64-linux-gnu)- C++14 特性未启用： 确保所有依赖库都用相同标准重新编译：
export CXXFLAGS="-std=c++14"4.2 运行时性能调优
- 启用 AVX2 指令集（需 CPU 支持）：
cmake .. -DCMAKE_CXX_FLAGS="-march=native"- 内存管理优化： 在
launch/run.launch中添加：
<param name="num_threads" value="4" />- 可视化优化： 修改
config/params.yaml：
visualization: point_size: 2 frame_rate: 155. 传感器适配与实战测试
5.1 多品牌雷达配置指南
LVI-SAM 默认支持 Velodyne，如需适配其他品牌需修改：
- 修改
src/lidar_odometry/utility.h中的点云类型定义 - 更新
config/params.yaml中的雷达参数：
lidar: topic: "/livox/lidar" # Livox 雷达话题 time_offset: 0.0 num_lines: 645.2 相机-雷达标定技巧
使用lidar_camera_calibration工具时注意：
- 标定板尺寸需与配置文件一致
- 建议采集至少 20 组不同位姿数据
- 标定结果验证命令：
rosrun camera_calibration_parsers convert result.yaml output.ini6. 进阶调试与可视化技巧
6.1 RViz 高级配置
创建自定义 RViz 配置保存以下内容为lvi_sam.rviz：
Visualization Manager: Class: rviz::VisualizationManager Displays: - Class: rviz::PointCloud2 Name: "Lidar Points" Topic: "/laser_cloud_surround"6.2 关键帧调试方法
在src/visual_odometry/visual_loop/loop_detection.cpp中添加调试输出：
std::cout << "Loop detected between frame " << current_frame_id << " and " << matched_frame_id << std::endl;7. 系统集成与部署建议
对于实际机器人部署，建议进行以下优化：
- 降低 CPU 占用的编译选项：
cmake .. -DCMAKE_BUILD_TYPE=Release -DENABLE_MARCH_NATIVE=OFF- 内存管理优化配置：
system: max_queue_size: 100 memory_pool_size: 1024- 实时性保障措施：
sudo nice -n -20 roslaunch lvi_sam run.launch经过三天的反复调试和验证，这套配置在 Intel i7-11800H + NVIDIA RTX 3060 的移动平台上实现了稳定的 15Hz 实时建图性能。最关键的发现是 gtsam 4.0.3 与 OpenCV 4.2.0 的组合最为稳定，而盲目使用最新版本反而会导致难以排查的运行时错误。