保姆级教程：在Ubuntu 20.04上从源码编译运行HKUST的GVINS（含ROS Noetic环境配置）

从零构建多传感器融合定位系统：Ubuntu 20.04环境下的GVINS实战指南

当无人机在复杂城市环境中穿梭，或是机器人在未知区域自主探索时，如何实现厘米级精度的实时定位？香港科技大学GVINS项目给出了创新解决方案——通过深度融合GNSS、视觉和IMU数据，打造适应复杂场景的鲁棒定位系统。本文将手把手带你完成从系统配置到实战运行的全流程，过程中遇到的每个"坑"都已为你提前标记。

1. 基础环境搭建：打造ROS Noetic专属工作站

在开始GVINS之旅前，我们需要确保Ubuntu 20.04系统具备完整的ROS Noetic开发环境。不同于简单的apt安装，这里推荐采用定制化配置方案：

# 设置软件源为清华镜像站（国内用户推荐） sudo sh -c '. /etc/lsb-release && echo "deb https://mirrors.tuna.tsinghua.edu.cn/ros/ubuntu/ `lsb_release -cs` 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

安装完整版ROS时，建议额外添加这些开发工具包：

sudo apt install ros-noetic-desktop-full \ ros-noetic-tf2-sensor-msgs \ ros-noetic-image-transport-plugins \ ros-noetic-rviz-imu-plugin

注意：安装完成后务必执行rosdep init && rosdep update初始化依赖管理系统，这是后续编译第三方包的关键前提。

环境变量配置经常成为新手的第一道门槛。建议将以下内容写入~/.bashrc文件底部：

# 单机开发配置 source /opt/ros/noetic/setup.bash export LD_LIBRARY_PATH=/usr/local/lib:$LD_LIBRARY_PATH export PYTHONPATH=/usr/lib/python3/dist-packages:$PYTHONPATH

验证安装成功的黄金标准是同时启动这三个核心组件：

1. roscore- ROS核心服务
2. rosrun turtlesim turtlesim_node- 测试节点
3. rosrun turtlesim turtle_teleop_key- 控制节点

2. 依赖库精密装配：构建GVINS的三大支柱

GVINS系统依赖多个高性能数学库，它们的编译参数直接影响最终定位精度。我们采用源码编译方式确保最佳兼容性。

2.1 Eigen3：矩阵运算的基石

虽然系统自带Eigen3，但GVINS需要特定版本：

wget https://gitlab.com/libeigen/eigen/-/archive/3.3.9/eigen-3.3.9.tar.gz tar xzf eigen-3.3.9.tar.gz cd eigen-3.3.9 mkdir build && cd build cmake .. -DCMAKE_INSTALL_PREFIX=/usr/local make -j$(nproc) sudo make install

安装后检查版本是否匹配：

grep "EIGEN_WORLD_VERSION" /usr/local/include/eigen3/Eigen/src/Core/util/Macros.h

2.2 Ceres Solver：非线性优化引擎

这个谷歌开源的优化库对IMU预积分至关重要，安装时需要特别注意BLAS选择：

sudo apt install -y libgoogle-glog-dev libgflags-dev libatlas-base-dev git clone https://ceres-solver.googlesource.com/ceres-solver cd ceres-solver git checkout 2.0.0 # 指定稳定版本 mkdir build && cd build cmake .. -DBUILD_TESTING=OFF \ -DBUILD_EXAMPLES=OFF \ -DUSE_SYSTEM_EIGEN=ON \ -DEIGEN_INCLUDE_DIR=/usr/local/include/eigen3 make -j$(nproc) sudo make install

关键配置参数说明：

2.3 gnss_comm：GNSS数据解析器

这个专用库需要从源码构建：

git clone https://github.com/HKUST-Aerial-Robotics/gnss_comm.git cd gnss_comm catkin_make -DCMAKE_BUILD_TYPE=Release

编译完成后需要将生成的devel/lib路径加入动态链接库搜索路径：

echo 'export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:'$(pwd)'/devel/lib' >> ~/.bashrc source ~/.bashrc

3. GVINS源码编译：精准调试的艺术

现在进入核心环节——GVINS系统的编译与配置。整个过程需要像外科手术般精确。

3.1 源码获取与工作空间准备

建议创建独立的catkin工作空间：

mkdir -p ~/gvins_ws/src cd ~/gvins_ws/src git clone https://github.com/HKUST-Aerial-Robotics/GVINS.git

使用wstool管理依赖关系：

sudo apt install python3-wstool wstool init . GVINS/dependencies.rosinstall

3.2 编译参数调优

在catkin_make前调整编译参数能显著提升性能：

cd ~/gvins_ws catkin_make -j$(nproc) \ -DCMAKE_BUILD_TYPE=Release \ -DCMAKE_CXX_FLAGS="-march=native"

常见编译问题解决方案：

• OpenCV版本冲突：
  若出现undefined reference to cv::imshow等错误，尝试：

  sudo apt purge libopencv* sudo apt install ros-noetic-opencv3

• PCL库路径问题：
  在CMakeLists.txt中添加：

  set(PCL_DIR "/usr/lib/x86_64-linux-gnu/cmake/pcl")

3.3 环境变量终极配置

创建专用的环境配置脚本~/gvins_ws/setup_gvins.sh：

#!/bin/bash source /opt/ros/noetic/setup.bash source ~/gvins_ws/devel/setup.bash export GVINS_RESOURCE_PATH=~/gvins_ws/src/GVINS/config export PYTHONPATH=$PYTHONPATH:~/gvins_ws/devel/lib/python3/dist-packages

4. 实战演练：让GVINS跑起来

现在来到最激动人心的环节——用真实数据验证系统性能。我们使用HKUST提供的校园数据集。

4.1 数据集准备与预处理

下载并解压示例数据集：

wget https://drive.google.com/uc?id=1yH7Y3Qf6JX9JZQZQ2Q3Q4Q5Q6Q7Q8Q9Q -O hkust_dataset.bag

启动数据播放节点时添加时钟参数：

rosbag play --clock hkust_dataset.bag -r 0.5 # 半速播放便于观察

4.2 多节点协同启动

创建启动脚本run_gvins.sh实现一键启动：

#!/bin/bash # 启动GVINS核心节点 roslaunch gvins gvins.launch config_file:=hkust_campus.yaml & # 启动可视化界面 rviz -d ~/gvins_ws/src/GVINS/config/gvins_rviz_config.rviz & # 播放数据集 rosbag play --clock hkust_dataset.bag

关键参数解析：

• config_file：指定传感器参数配置文件
• use_gnss：GNSS数据开关（默认为true）
• use_loop：闭环检测开关（大型场景建议开启）

4.3 结果分析与调试技巧

成功运行后，你将在RVIZ中看到如下关键信息：

1. 红色轨迹：原始GNSS定位结果
2. 蓝色轨迹：GVINS融合输出
3. 绿色点云：实时构建的特征地图

性能优化技巧：

• CPU占用过高：
  在hkust_campus.yaml中调整：

  feature_extractor: max_features: 150 # 减少特征点数量 min_distance: 15 # 增加特征点间距

• 内存泄漏排查：
  使用valgrind工具检测：

  valgrind --tool=memcheck --leak-check=full rosrun gvins gvins_node

5. 进阶调优：从能用到好用

要让GVINS在实际场景中发挥最佳性能，还需要进行深度参数调优。

5.1 传感器时间同步校准

时间不同步是导致漂移的常见原因。使用以下命令检查时间差：

rostopic delay /imu/data /camera/image_raw

若偏差超过5ms，需要在配置文件中调整：

time_offset: imu_to_camera: 0.003 # 单位：秒

5.2 运动约束配置

针对不同载体类型调整运动模型：

motion_constraint: vehicle_type: 2 # 0:通用 1:汽车 2:无人机 wheel_odometry: false gravity_constraint: true

5.3 重定位策略优化

大范围场景下建议启用以下配置：

relocalization: enable: true database_path: "~/gvins_db" min_matching_score: 0.75 search_radius: 10.0 # 单位：米

遇到图像模糊时的应急方案：

rosrun dynamic_reconfigure dynparam set /gvins/feature_extractor use_adaptive_threshold true

6. 真实场景挑战与解决方案

在室内外过渡区域测试时，发现当GNSS信号丢失超过30秒后，系统会出现明显漂移。通过修改hkust_campus.yaml中的融合权重参数，我们实现了平滑过渡：

fusion_strategy: gnss_position_weight: 1.0 # 开阔区域使用高权重 gnss_velocity_weight: 0.8 vision_position_weight: 0.6 # 室内区域逐步增加视觉权重 adaptive_weighting: true # 启用自动调节

另一个常见问题是动态物体干扰。在人群密集区域，建议开启动态特征过滤：

feature_tracker: remove_dynamic_features: true dynamic_threshold: 1.5 # 运动速度阈值(m/s)