多传感器融合定位实战：基于KITTI数据集构建100Hz IMU与相机、激光雷达的滤波融合数据平台
1. 从KITTI数据集到多传感器融合平台：为什么需要100Hz IMU？
在自动驾驶和机器人定位领域，KITTI数据集就像是一块"瑞士军刀"般的存在。这个来自德国卡尔斯鲁厄理工学院和丰田芝加哥技术研究院的开放数据集，包含了丰富的城市道路场景传感器数据。但很多朋友在实际使用时会发现，原始数据中的IMU频率只有10Hz——这就像用老式机械键盘玩电竞游戏，按键响应根本跟不上操作需求。
我去年在做一个园区物流车项目时就深有体会。当车辆以30km/h行驶时，10Hz的IMU数据意味着每0.8米才能获取一次姿态更新。在急转弯场景下，这样的采样率会导致EKF滤波器出现明显的"预测滞后"。后来我们把IMU频率提升到100Hz后，定位轨迹的平滑度立即提升了62%。这就是为什么我们需要对原始KITTI数据进行改造。
KITTI的extract版本其实已经包含了100Hz的IMU原始数据，但存在两个关键问题：一是没有与相机数据时间对齐，二是未做去畸变处理。这就好比你有高清摄像头和精密陀螺仪，但两者的时钟不同步，拍出来的画面和运动轨迹对不上。接下来我要分享的这套方法，就是解决这些痛点的完整方案。
2. 数据准备与环境搭建
2.1 获取正确的数据集版本
首先需要登录KITTI官网，找到2011_10_03_drive_0027这个经典场景的extract版本数据。注意要下载的是raw_data而非sync版本，因为前者包含100Hz的IMU数据。我建议直接使用wget命令批量下载：
wget https://s3.eu-central-1.amazonaws.com/avg-kitti/raw_data/2011_10_03_drive_0027/2011_10_03_drive_0027_extract.zip解压后会看到oxts文件夹，这里面就是关键的IMU原始数据。有趣的是，KITTI的IMU实际上采用了OXTS RT3003惯性导航系统，这个设备本身支持100Hz输出，但在生成sync版本时被人为降采样到了10Hz。
2.2 Python环境配置
由于后续脚本需要用到Python2，建议使用conda创建独立环境：
conda create -n kitti_py2 python=2.7 conda activate kitti_py2 pip install numpy pykitti rospkg这里有个坑要注意：最新版的pykitti可能不兼容Python2，可以指定安装0.3.1版本：
pip install pykitti==0.3.13. 数据预处理实战
3.1 时间戳修复与数据重组
解压后的extract和sync数据需要合并处理。具体操作是：
- 将extract中的oxts重命名为oxts_extract
- 将sync中的oxts重命名为oxts_sync
- 运行时间戳修复脚本
这个步骤就像把两个不同时区的时钟校准到同一时间基准。GEYAO大神提供的scripts.py脚本会自动处理时间跳变问题。运行命令如下：
python2 scripts.py -i 2011_10_03_drive_0027_sync脚本会在后台完成三件重要工作：
- 解析GPS周秒时间格式
- 补偿IMU数据的时间偏移
- 生成新的oxts文件夹
3.2 ROS bag文件生成
接下来使用修改版的kitti2bag工具生成ROS bag文件。这个步骤有几个关键修改点：
- 修改了imu消息的时间戳处理逻辑
- 增加了100Hz数据的发布配置
- 修复了点云数据的坐标系问题
运行命令如下：
python2 kitti2bag.py -t 2011_10_03 -r 0027 raw_synced生成的bag文件大约有24GB，包含了所有传感器数据。这里有个性能优化技巧：如果磁盘空间紧张，可以先用rosbag compress进行压缩，能减少40%存储空间。
4. 数据精修与融合
4.1 话题筛选与清理
原始bag文件包含大量冗余话题，我们需要使用rosbag_filter_gui工具进行清理。安装方法：
sudo apt install python-qt4 git clone https://github.com/AtsushiSakai/rosbag_filter_gui.git重点保留以下话题：
- /kitti/oxts/imu
- /kitti/velo/pointcloud
- /kitti/camera_color_left/image_raw
- /kitti/oxts/gps/fix
特别注意要移除/tf_static话题，否则会影响后续的时间同步。这个步骤就像给数据"瘦身"，把不需要的信息剔除掉。
4.2 数据合并与频率验证
最后使用merge_bags.py脚本合并处理后的bag文件。合并前建议先用rostopic hz检查数据频率：
rostopic hz /kitti/oxts/imu/extract正常应该看到类似输出：
average rate: 100.011 min: 0.008s max: 0.012s合并命令示例：
python2 merge_bags.py final_merged.bag synced_filtered.bag extracted_filtered.bag合并后的数据集就包含了：
- 100Hz的IMU数据
- 10Hz的GPS定位
- 10Hz的激光雷达点云
- 10Hz的相机图像
这种多频率传感器数据的融合，正是扩展卡尔曼滤波等算法的理想输入。在实际项目中，我建议先用这个数据集验证算法可行性，再迁移到真实硬件平台，能节省大量调试时间。