保姆级教程：在Ubuntu 20.04上从零跑通《视觉SLAM十四讲》所有代码（附避坑指南）

从零到精通：Ubuntu 20.04下《视觉SLAM十四讲》全流程实战指南

第一次打开《视觉SLAM十四讲》时，满屏的数学公式和代码可能让人望而生畏。但当你真正动手实践时，最大的障碍往往不是理论本身，而是那些看似简单却令人抓狂的环境配置问题——某个依赖库版本不兼容、系统缺少某个动态链接库、或者cmake时出现莫名其妙的错误。本文将带你用最稳妥的方式，在Ubuntu 20.04系统上搭建完整的SLAM开发环境，并逐章解决可能遇到的所有"坑点"。

1. 系统准备与环境配置

在开始之前，请确保你的Ubuntu 20.04系统已经完成基础更新：

sudo apt update && sudo apt upgrade -y

1.1 必备工具链安装

SLAM开发需要完整的编译工具链，以下命令将安装所有基础开发工具：

sudo apt install -y build-essential cmake git pkg-config

特别注意：Ubuntu 20.04默认的gcc版本是9.4.0，这已经足够支持大多数SLAM库的编译。但如果你需要特定版本的gcc，可以使用以下命令切换：

sudo apt install -y gcc-8 g++-8 sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-9 90 sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-8 80

1.2 图形界面依赖

许多SLAM可视化工具需要OpenGL支持，安装以下依赖可以避免后续出现libGL.so缺失的问题：

sudo apt install -y libgl1-mesa-dev libglew-dev libglfw3-dev

提示：如果遇到/usr/lib/x86_64-linux-gnu/libGL.so缺失错误，可以尝试安装libglvnd-dev包

2. 核心依赖库的安装与配置

2.1 Eigen 3.3.7安装

Eigen是SLAM中最基础的线性代数库，建议安装3.3.7版本：

sudo apt install -y libeigen3-dev

验证安装是否成功：

pkg-config --modversion eigen3

2.2 Pangolin 0.6安装

Pangolin是SLAM中常用的可视化工具，安装时需要特别注意依赖：

sudo apt install -y libjpeg-dev libpng-dev libtiff5-dev git clone --recursive https://github.com/stevenlovegrove/Pangolin.git cd Pangolin mkdir build && cd build cmake .. make -j$(nproc) sudo make install

常见问题解决：

• 如果遇到Could NOT find FFMPEG警告，可以忽略或安装libavcodec-dev
• 编译时报undefined reference to 'glewInit'，需要确保安装了libglew-dev

2.3 OpenCV 4.2.0编译安装

OpenCV是计算机视觉的基础库，建议使用4.2.0版本：

sudo apt install -y libgtk2.0-dev libavcodec-dev libavformat-dev libswscale-dev wget -O opencv.zip https://github.com/opencv/opencv/archive/4.2.0.zip unzip opencv.zip && cd opencv-4.2.0 mkdir build && cd build cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local .. make -j$(nproc) sudo make install

验证安装：

pkg-config --modversion opencv4

3. 优化与特征库安装

3.1 Ceres Solver 2.0.0安装

Ceres是非线性优化的重要库，安装前需要先安装依赖：

sudo apt install -y libgoogle-glog-dev libgflags-dev libatlas-base-dev wget https://github.com/ceres-solver/ceres-solver/archive/2.0.0.tar.gz tar xvf 2.0.0.tar.gz cd ceres-solver-2.0.0 mkdir build && cd build cmake .. make -j$(nproc) sudo make install

3.2 g2o安装与配置

g2o是图优化库，安装时需要注意与Eigen版本的兼容性：

sudo apt install -y libsuitesparse-dev qtdeclarative5-dev git clone https://github.com/RainerKuemmerle/g2o.git cd g2o mkdir build && cd build cmake .. make -j$(nproc) sudo make install

注意：如果遇到cholmod.h not found错误，需要确认libsuitesparse-dev已安装

4. 各章节代码运行指南

4.1 第二讲：初识SLAM

这一讲主要介绍SLAM基础概念，代码运行相对简单。但需要注意：

• 确保CMakeLists.txt中正确设置了Eigen路径
• 如果使用书中提供的代码，可能需要更新find_package(Eigen3 REQUIRED)语句

4.2 第三～四讲：李群与李代数

这一部分需要Sophus库支持，安装方法如下：

git clone https://github.com/strasdat/Sophus.git cd Sophus mkdir build && cd build cmake .. make -j$(nproc) sudo make install

常见问题：

• Sophus需要与Eigen版本匹配，如果编译出错，尝试指定Eigen路径
• 书中示例代码可能需要更新#include路径

4.3 第五讲：相机与图像

这一讲主要使用OpenCV，运行时可能遇到的问题：

1. 图像路径问题：确保使用绝对路径或正确设置工作目录
2. OpenCV版本差异：书中代码基于OpenCV3，而这里安装的是4.2.0，部分API需要调整

例如，CV_LOAD_IMAGE_UNCHANGED需要改为cv::IMREAD_UNCHANGED

4.4 第六讲：非线性优化

这一讲同时使用Ceres和g2o，运行时需要注意：

• Ceres示例可能需要更新#include <ceres/ceres.h>
• g2o的顶点和边定义方式可能有变化，需要参考最新文档

4.5 第七～八讲：视觉里程计

特征提取与匹配部分常见问题：

• ORB特征参数可能需要调整以获得更好效果
• 对极约束计算时，注意特征点坐标的归一化
• PnP求解时，确保输入的3D-2D对应关系正确

4.6 第九讲：后端优化

BA(Bundle Adjustment)实现时可能遇到的问题：

• BAL数据集加载需要正确解析格式
• Ceres和g2o的BA实现方式不同，注意参数设置
• 大规模BA可能内存不足，可以尝试减小问题规模

4.7 第十一讲：回环检测

DBoW3安装与使用：

sudo apt install -y libboost-all-dev git clone https://github.com/rmsalinas/DBow3.git cd DBoW3 mkdir build && cd build cmake .. make -j$(nproc) sudo make install

使用技巧：

• 创建字典时适当选择特征数量和树深度
• 相似度检测阈值需要根据场景调整
• 增加字典规模可以提高识别率，但会降低速度

5. 高级技巧与性能优化

5.1 多线程编译加速

在编译大型库如OpenCV时，可以使用：

make -j$(nproc)

这将使用所有CPU核心加速编译。

5.2 依赖库版本管理

为了避免版本冲突，可以考虑使用conda创建虚拟环境：

conda create -n slam python=3.8 conda activate slam

5.3 调试技巧

当遇到链接错误时，可以使用ldd检查依赖：

ldd /path/to/your/executable

对于undefined reference错误，检查是否所有需要的库都正确链接。

6. 常见问题解决方案

以下是SLAM开发中最常遇到的10个问题及其解决方法：

1. error while loading shared libraries: libg2o.so: cannot open shared object file

   sudo ldconfig

2. Sophus::SO3d' has not been declared更新Sophus到最新版本，并确保使用C++14或更高标准编译

3. OpenCV: undefined reference to cv::imread确保CMakeLists.txt中正确链接OpenCV：

   find_package(OpenCV REQUIRED) target_link_libraries(your_target ${OpenCV_LIBS})

4. Pangolin: No available video device安装视频驱动：

   sudo apt install -y libdc1394-22-dev libv4l-dev

5. Ceres: Eigen3 version 3.3.90 is too old升级Eigen或降级Ceres版本

6. g2o: optimization failed尝试调整优化器的最大迭代次数和终止条件

7. DBoW3: No such file or directory确保安装时使用了-DBUILD_SHARED_LIBS=ON选项

8. PCL: undefined reference to pcl::visualization::PCLVisualizer完整安装PCL开发包：

   sudo apt install -y libpcl-dev

9. fmt/format.h: No such file or directory安装fmt库：

   sudo apt install -y libfmt-dev

10. chrono: ambiguous overload明确指定chrono命名空间：

    std::chrono::steady_clock::time_point t1 = std::chrono::steady_clock::now();

7. 开发环境优化建议

7.1 IDE配置

推荐使用VSCode或CLion作为开发环境，配置建议：

• 安装C/C++插件
• 配置正确的include路径
• 设置C++标准为C++14或更高

7.2 调试工具

• 使用gdb进行调试：

  gdb --args ./your_program args

• 对于内存问题，可以使用valgrind：

  valgrind --leak-check=full ./your_program

7.3 性能分析

• 使用perf进行性能分析：

  perf record -g ./your_program perf report

• 对于GPU加速部分，可以使用nvprof（NVIDIA显卡）

8. 实际项目经验分享

在真实SLAM项目中，有几个经验值得注意：

1. 数据预处理很重要：图像去畸变、时间同步等预处理可以显著提高SLAM稳定性
2. 参数需要调优：不同场景下，特征提取参数、优化器参数都需要调整
3. 多传感器融合：结合IMU可以显著提高VO的鲁棒性
4. 资源管理：SLAM系统通常需要长时间运行，注意内存泄漏和资源释放
5. 线程安全：多线程环境下，数据共享需要谨慎处理

9. 进阶学习路径

完成《视觉SLAM十四讲》后，可以继续深入学习：

1. ORB-SLAM系列：研究成熟的SLAM系统实现
2. VINS-Mono：学习视觉-惯性SLAM系统
3. Kimera：了解语义SLAM前沿
4. GTSAM：深入学习因子图优化
5. ROS集成：将SLAM系统集成到机器人框架中

10. 资源推荐

• 书籍：

  • 《机器人学中的状态估计》
  • 《Multiple View Geometry in Computer Vision》

• 在线课程：

  • Coursera: Robotics Perception
  • Udacity: Computer Vision Nanodegree

• 开源项目：

  • OpenVINS
  • maplab
  • RTAB-Map

• 数据集：

  • KITTI
  • EuRoC MAV
  • TUM RGB-D