手把手教你用LIO-SAM在Ubuntu20.04上实现SLAM：从环境配置到数据集测试
从零搭建LIO-SAM：Ubuntu 20.04环境下的SLAM实战指南
在机器人导航和自动驾驶领域，实时定位与地图构建（SLAM）技术扮演着至关重要的角色。LIO-SAM作为近年来备受关注的激光惯性里程计框架，凭借其紧耦合的传感器融合设计和高效的实时性能，成为众多研究者和开发者的首选方案。本文将带您从零开始，在Ubuntu 20.04系统中完整搭建LIO-SAM开发环境，并通过实际数据集测试验证系统运行效果。
1. 环境准备与基础配置
在开始LIO-SAM的安装之前，我们需要确保系统具备所有必要的软件依赖和工具链。Ubuntu 20.04 LTS作为长期支持版本，提供了稳定的基础环境，特别适合开发需要长期维护的SLAM系统。
首先更新系统软件包至最新版本：
sudo apt update && sudo apt upgrade -y接下来安装ROS Noetic，这是官方支持Ubuntu 20.04的唯一ROS版本。执行以下命令添加ROS仓库并安装完整桌面版：
sudo sh -c 'echo "deb http://packages.ros.org/ros/ubuntu $(lsb_release -sc) main" > /etc/apt/sources.list.d/ros-latest.list' sudo apt-key adv --keyserver 'hkp://keyserver.ubuntu.com:80' --recv-key C1CF6E31E6BADE8868B172B4F42ED6FBAB17C654 sudo apt update sudo apt install ros-noetic-desktop-full提示：安装完成后，记得执行
source /opt/ros/noetic/setup.bash并将该命令添加到~/.bashrc文件中以实现持久化。
2. 创建工作空间与获取源码
合理的项目结构管理是开发过程中的重要环节。我们建议为LIO-SAM创建独立的工作空间，避免与其他ROS项目产生依赖冲突。
创建并初始化工作空间：
mkdir -p ~/lio_sam_ws/src cd ~/lio_sam_ws/src catkin_init_workspace获取LIO-SAM源码有两种推荐方式：
- 直接克隆官方仓库：
git clone https://github.com/TixiaoShan/LIO-SAM.git- 下载release版本压缩包并解压至src目录
注意：如果使用zip下载方式，解压后请确保文件夹重命名为"LIO-SAM"，保持与ROS包命名一致。
3. 关键依赖安装与配置
LIO-SAM依赖于多个核心库，其中最重要的是GTSAM（Georgia Tech Smoothing and Mapping library）。这个因子图优化库为LIO-SAM提供了强大的后端优化能力。
安装GTSAM 4.1版本（与LIO-SAM兼容性最佳）：
sudo add-apt-repository ppa:borglab/gtsam-release-4.1 sudo apt update sudo apt install libgtsam-dev libgtsam-unstable-dev其他必要的ROS依赖包包括：
sudo apt install ros-noetic-navigation \ ros-noetic-robot-localization \ ros-noetic-robot-state-publisher \ ros-noetic-libg2o \ ros-noetic-velodyne-pointcloud对于点云处理相关的功能，还需要安装PCL开发包：
sudo apt install libpcl-dev4. 源码修改与编译技巧
在编译LIO-SAM之前，需要对源代码进行几处关键修改以确保兼容性。这些修改主要涉及编译器标准和OpenCV头文件引用。
4.1 CMakeLists.txt修改
打开~/lio_sam_ws/src/LIO-SAM/CMakeLists.txt文件，找到以下行并进行修改：
set(CMAKE_CXX_STANDARD 11) → 修改为 set(CMAKE_CXX_STANDARD 14)4.2 utility.h头文件调整
在~/lio_sam_ws/src/LIO-SAM/include/utility.h中需要做两处修改：
- 替换OpenCV头文件引用：
// #include <opencv/cv.h> #include <opencv2/opencv.hpp>- 调整PCL点云类型定义的位置（将第27行移动到第18行附近）
4.3 编译策略
完成上述修改后，可以开始编译过程。建议首次编译使用单线程模式以便于错误排查：
cd ~/lio_sam_ws catkin_make -j1如果遇到编译错误，可以尝试清理后重新编译：
rm -rf ~/lio_sam_ws/build ~/lio_sam_ws/devel catkin_make5. 系统测试与数据集验证
成功编译后，就可以使用公开数据集测试LIO-SAM的运行效果了。官方提供了多个测试数据集，适合不同场景的验证。
5.1 环境变量配置
将工作空间设置添加到bashrc中：
echo "source ~/lio_sam_ws/devel/setup.bash" >> ~/.bashrc source ~/.bashrc5.2 启动LIO-SAM节点
在新终端中运行：
roslaunch lio_sam run.launch5.3 数据集播放
下载并解压测试数据集（如casual_walk.bag），然后在新终端中播放：
rosbag play --clock path_to_dataset/casual_walk.bag5.4 结果可视化
通过RViz可以实时观察建图效果。建议使用LIO-SAM提供的默认配置：
rosrun rviz rviz -d `rospack find lio_sam`/rviz/lio_sam.rviz6. 常见问题排查与性能优化
在实际运行过程中，可能会遇到各种问题。以下是几个典型问题及其解决方案：
点云显示异常： 检查传感器配置是否正确，特别是
params.yaml中的pointCloudTopic参数是否与数据集中的话题名称匹配。轨迹漂移严重： 尝试调整
params.yaml中的mapFrame和odometryFrame参数，确保坐标系设置合理。系统运行卡顿： 考虑降低点云采样率或优化算法参数：
# params.yaml downsampleRate: 0.2 # 降低采样率内存占用过高： 可以限制地图保存的点云数量：
# params.yaml maxSavedCloudNum: 100 # 默认500
对于性能优化，建议从以下几个方面入手：
- 硬件加速：启用GPU加速的点云处理
- 参数调优：根据实际场景调整ICP匹配参数
- 传感器校准：确保IMU和激光雷达的时间同步和空间标定准确
7. 进阶应用与二次开发
掌握了LIO-SAM的基本使用后，可以考虑进行更深层次的定制开发。以下是几个可能的扩展方向：
多传感器融合： 在现有框架基础上添加视觉或毫米波雷达数据源
闭环检测优化： 改进默认的闭环检测算法，提高大场景下的定位精度
嵌入式部署： 针对特定硬件平台进行性能优化和裁剪
一个简单的自定义点云处理示例：
// 在include/cloud_info.h中添加自定义处理函数 void processCustomCloud(const sensor_msgs::PointCloud2ConstPtr& cloudIn) { pcl::PointCloud<pcl::PointXYZI>::Ptr tempCloud(new pcl::PointCloud<pcl::PointXYZI>()); pcl::fromROSMsg(*cloudIn, *tempCloud); // 自定义处理逻辑 }8. 实际项目中的经验分享
在工业场景部署LIO-SAM时，我们发现了几点值得注意的经验：
- 时间同步：确保激光雷达和IMU的硬件时间同步至关重要，微小的时间偏差会导致明显的轨迹漂移
- 环境特征：在特征丰富的环境中（如室内）表现优异，而在长廊或开阔地带可能需要额外约束
- 参数适应：不同运动速度下需要调整运动预测参数，高速场景下需要更大的预测窗口
一个实用的调试技巧是实时监控关键话题：
rostopic echo /lio_sam/mapping/odometry # 查看里程计输出 rostopic echo /lio_sam/mapping/path # 查看全局路径对于长期运行的SLAM系统，建议定期保存子地图并实现地图拼接功能，以避免内存无限增长。可以通过修改mapOptmization.cpp实现自动化的地图管理策略。