保姆级教程：在Ubuntu 20.04上从零跑通VINS-Fusion并用EVO评测轨迹精度
从零搭建VINS-Fusion到轨迹精度评估：Ubuntu 20.04全流程实战指南
当第一次接触视觉惯性里程计(VIO)时，许多开发者会被复杂的依赖环境和晦涩的评估指标劝退。本文将带你用一台普通电脑（实体机或虚拟机均可），从系统配置开始，逐步完成VINS-Fusion的编译运行，最终用EVO工具量化评估轨迹精度。不同于碎片化的教程，这里会特别说明每个环节可能遇到的"坑"——比如虚拟机剪贴板失效、ROS依赖冲突等实际问题。
1. 基础环境准备
在Ubuntu 20.04上运行VINS-Fusion需要先配置ROS和基础开发环境。如果使用虚拟机，建议分配至少4核CPU、8GB内存和50GB存储空间。对于VMware用户，首先解决主机与虚拟机间的文件共享问题：
# 更新软件包列表 sudo apt update # 安装VMware工具套件 sudo apt install -y open-vm-tools-desktop # 重启生效 sudo reboot常见问题排查：
- 若粘贴板仍不工作，尝试执行
vmware-user命令 - 共享文件夹需在VMware设置中启用，挂载路径通常在
/mnt/hgfs
接下来安装ROS Noetic（Ubuntu 20.04官方支持版本）：
# 设置软件源 sudo sh -c 'echo "deb http://packages.ros.org/ros/ubuntu $(lsb_release -sc) main" > /etc/apt/sources.list.d/ros-latest.list' # 添加密钥 sudo apt-key adv --keyserver 'hkp://keyserver.ubuntu.com:80' --recv-key C1CF6E31E6BADE8868B172B4F42ED6FBAB17C654 # 安装完整版ROS sudo apt update && sudo apt install -y ros-noetic-desktop-full # 初始化rosdep sudo rosdep init && rosdep update提示：安装完成后务必执行
source /opt/ros/noetic/setup.bash，建议将该命令加入~/.bashrc
2. VINS-Fusion的编译与配置
VINS-Fusion作为多传感器融合的SLAM方案，支持单目/双目相机与IMU的组合。我们先从源码编译安装：
# 创建工作空间 mkdir -p ~/vins_ws/src && cd ~/vins_ws/src # 克隆仓库（国内用户建议使用gitee镜像） git clone https://github.com/HKUST-Aerial-Robotics/VINS-Fusion.git # 安装依赖 cd .. && rosdep install --from-paths src --ignore-src -y # 编译 catkin_make -j4编译成功后，需要根据传感器类型选择配置文件。以EuRoC数据集的双目+IMU配置为例：
# euroc_stereo_imu_config.yaml 关键参数 imu_topic: "/imu0" image0_topic: "/cam0/image_raw" image1_topic: "/cam1/image_raw" output_path: "/path/to/save/result/"传感器组合启动命令对比：
| 传感器类型 | 启动命令 | 数据要求 |
|---|---|---|
| 单目+IMU | roslaunch vins vins_rviz.launch+rosrun vins vins_node config.yaml | 需要相机-IMU外参标定 |
| 双目+IMU | 同上，使用stereo_imu配置文件 | 需要双目相机标定 |
| 纯双目 | 使用stereo配置文件 | 不需要IMU数据 |
3. 运行与数据回放
使用EuRoC数据集测试时，建议从MH_01_easy开始。下载bag文件后，按以下顺序启动：
# 终端1：启动核心节点 roslaunch vins vins_rviz.launch # 终端2：运行VINS-Fusion（示例使用双目+IMU） rosrun vins vins_node ~/vins_ws/src/VINS-Fusion/config/euroc/euroc_stereo_imu_config.yaml # 终端3：回放数据 rosbag play MH_01_easy.bag -r 0.5 # 0.5倍速播放便于调试典型问题解决方案：
- 出现
[ERROR] [1645584000.000000]: waitForService: Service [/feature_tracker/feature] has not been advertised错误 → 检查相机话题名称是否与配置文件一致 - RVIZ中无图像显示 → 确认
image_transport插件已安装(sudo apt install ros-noetic-image-transport-plugins)
4. EVO安装与轨迹评估
EVO是SLAM领域广泛使用的评估工具，支持ATE(绝对轨迹误差)和RPE(相对位姿误差)计算。推荐通过源码安装最新版：
# 安装依赖 sudo apt install -y python3-pip libfreetype6-dev # 克隆仓库 git clone https://github.com/MichaelGrupp/evo.git cd evo && pip install -e . --upgrade --no-binary evo # 验证安装 evo_ape -h # 应显示帮助信息VINS-Fusion默认输出的vio.csv需要转换为TUM格式才能用EVO评估。使用内置转换脚本：
# 转换轨迹格式 python ~/vins_ws/src/VINS-Fusion/scripts/kitti_poses_and_timestamps_to_trajectory.py vio.csv traj_tum.txt关键评估指标解析：
- ATE(Absolute Trajectory Error)：反映全局一致性，适合评估闭环系统
- RPE(Relative Pose Error)：衡量局部精度，对里程计性能敏感
评估命令示例：
# 计算ATE（对比估计轨迹与真值） evo_ape euroc MH_01_easy_gt.csv traj_tum.txt -va --plot # 计算RPE（分段误差统计） evo_rpe euroc MH_01_easy_gt.csv traj_tum.txt -va --plot_mode=xyz输出结果包含误差统计和可视化图表。理想情况下，双目+IMU组合在MH_01序列上的ATE应小于0.3米。若误差过大，可尝试：
- 检查IMU和相机的时间同步
- 重新标定传感器内参
- 调整配置文件中的
max_solver_time和max_num_iterations参数
5. 进阶调试与优化
当基础功能跑通后，可以通过以下方式提升性能：
参数调优建议：
- 增加
feature_cnt可提高特征点数量但会增加计算量 - 调整
freq参数匹配传感器实际频率 - 启用
loop_fusion模块改善长期漂移
对于自定义数据集，务必准备准确的标定文件。相机-IMU外参标定推荐使用Kalibr工具：
# 安装Kalibr（需ROS环境） sudo apt install -y python3-dev python3-pip pip install git+https://github.com/ethz-asl/kalibr.git标定过程中需注意：
- 使用AprilGrid标定板（比Checkerboard更稳定）
- 相机帧率不低于20Hz，IMU不低于100Hz
- 采集数据时需充分激励所有自由度
最后分享一个实用技巧：在虚拟机中运行ROS时，可以通过以下命令限制CPU占用，避免系统卡顿：
# 限制ROS节点CPU使用率 sudo cpulimit -e roslaunch -l 70 # 限制为70%利用率