保姆级避坑指南：在Ubuntu 20.04 ROS Noetic上搞定A-LOAM跑KITTI数据集（含源码修改与Ceres 1.14安装）

从零到一：Ubuntu 20.04 ROS Noetic环境下的A-LOAM与KITTI实战全解析

第一次在ROS Noetic上跑通A-LOAM处理KITTI数据集时，那种"终于搞定了"的成就感至今难忘。作为SLAM领域的经典组合，A-LOAM和KITTI的搭配能帮助初学者快速理解激光SLAM的核心流程。但实际操作中，从环境配置到成功建图，几乎每一步都可能遇到意想不到的问题。本文将带你完整走一遍这个流程，不仅告诉你"怎么做"，更会解释"为什么这么做"。

1. 环境准备与KITTI数据集处理

在开始之前，确保你的Ubuntu 20.04系统已经安装了ROS Noetic完整版。ROS的安装过程相对标准，但有几个细节需要注意：

sudo apt install ros-noetic-desktop-full echo "source /opt/ros/noetic/setup.bash" >> ~/.bashrc source ~/.bashrc

KITTI数据集是自动驾驶领域最常用的基准数据集之一。对于A-LOAM实验，推荐使用2011_09_30_drive_0027_synced这个序列。下载后你会得到一个巨大的.bag文件（通常超过15GB），这在处理时会遇到两个典型问题：

1. 解压问题：Ubuntu自带的归档管理器对大文件支持不佳
2. 传输问题：直接从浏览器下载可能中断

我的经验是使用wget命令配合断点续传：

wget -c http://kitti-data-url/kitti_2011_09_30_drive_0027_synced.bag

如果必须通过Windows中转，建议：

• 使用7-Zip进行解压
• 通过SFTP或共享文件夹传回Ubuntu
• 检查文件完整性：md5sum kitti_2011_09_30_drive_0027_synced.bag

提示：将bag文件放在固态硬盘(SSD)上能显著提升播放速度，机械硬盘可能导致数据发布跟不上处理速度。

2. A-LOAM工作空间配置与源码获取

创建一个专用的工作空间是ROS开发的好习惯。不同于直接在主目录操作，我推荐以下结构：

~/slam_ws/ src/ A-LOAM/ ... build/ devel/

获取A-LOAM源码时，GitHub克隆失败是常见问题。除了反复尝试，还可以：

• 使用Git镜像源：

  git clone https://github.com.cnpmjs.org/HKUST-Aerial-Robotics/A-LOAM.git

• 或者先下载ZIP再解压

克隆完成后，别急着编译，先检查依赖项。除了ROS基础包，A-LOAM还需要：

• PCL 1.10
• Eigen 3.3
• Ceres Solver（这是最容易出问题的部分）

安装基础依赖：

sudo apt install libpcl-dev libeigen3-dev libboost-all-dev

3. Ceres Solver 1.14的编译安装

Ceres的版本兼容性至关重要。官方推荐1.14.x版本，但Ubuntu 20.04的默认仓库中是较新的2.0版。以下是经过验证的安装流程：

首先安装必要依赖：

sudo apt install -y libgoogle-glog-dev libgflags-dev \ libatlas-base-dev libsuitesparse-dev

然后从源码编译：

wget http://ceres-solver.org/ceres-solver-1.14.0.tar.gz tar zxf ceres-solver-1.14.0.tar.gz cd ceres-solver-1.14.0 mkdir build && cd build cmake .. -DEXPORT_BUILD_DIR=ON make -j$(nproc) sudo make install

关键点说明：

• -DEXPORT_BUILD_DIR=ON确保其他项目能找到Ceres
• -j$(nproc)使用所有CPU核心加速编译
• 安装后运行ldconfig更新库链接

验证安装：

pkg-config --modversion ceres # 应输出1.14.0

4. A-LOAM源码的必要修改

直接编译原始代码几乎肯定会失败，主要因为：

1. OpenCV接口变更（2.x→4.x）
2. C++标准更新
3. KITTI话题命名差异

4.1 CMakeLists.txt修改

将CMakeLists.txt中的：

set(CMAKE_CXX_FLAGS "-std=c++11")

改为：

set(CMAKE_CXX_FLAGS "-std=c++14")

4.2 OpenCV相关修改

在kittiHelper.cpp中：

// 旧 cv::Mat depth_img = cv::imread(depth_img_path, CV_LOAD_IMAGE_GRAYCALE); // 新 cv::Mat depth_img = cv::imread(depth_img_path, cv::IMREAD_GRAYSCALE);

在scanRegistration.cpp等文件中：

// 旧 #include <opencv/cv.h> // 新 #include <opencv2/imgproc.hpp>

4.3 话题名称适配

KITTI数据集使用/points_raw而非A-LOAM默认的/velodyne_points。修改scanRegistration.cpp：

// 旧 ros::Subscriber subLaserCloud = nh.subscribe<sensor_msgs::PointCloud2>("/velodyne_points", 100, laserCloudHandler); // 新 ros::Subscriber subLaserCloud = nh.subscribe<sensor_msgs::PointCloud2>("/points_raw", 100, laserCloudHandler);

5. 编译与运行时问题排查

完成修改后，开始编译：

cd ~/slam_ws catkin_make -DCMAKE_BUILD_TYPE=Release

常见编译错误及解决方案：

成功编译后，按顺序启动：

1. 启动A-LOAM：

   source devel/setup.bash roslaunch aloam_velodyne aloam_velodyne_HDL_64.launch

2. 播放KITTI数据：

   rosbag play --clock kitti_2011_09_30_drive_0027_synced.bag

如果Rviz没有显示，检查：

• 使用rqt_graph查看话题连接
• 使用rostopic list确认数据发布
• 检查/points_raw话题是否有数据

6. 可视化优化与结果分析

默认的Rviz配置可能不够直观，建议添加以下显示项：

1. PointCloud2：显示原始点云
2. Path：显示轨迹
3. Map：显示构建的地图

对于KITTI数据集，可以调整以下参数提升效果：

# 在aloam_velodyne_HDL_64.launch中修改 <param name="mapping_line_resolution" value="0.4"/> <param name="mapping_plane_resolution" value="0.8"/>

典型问题处理：

• 点云漂移：尝试减小mapping_interval
• 建图不完整：检查IMU数据是否正常
• 运行时卡顿：降低/points_raw的发布频率

最终效果评估时，可以关注：

• 轨迹的闭合精度
• 点云地图的清晰度
• 特征点提取的稳定性

7. 进阶技巧与性能优化

当基础功能跑通后，可以尝试以下优化：

内存管理优化：

// 在laserMapping.cpp中增加 #pragma GCC optimize("O3") #pragma GCC optimize("unroll-loops")

多线程处理：

roslaunch aloam_velodyne aloam_velodyne_HDL_64.launch threads:=4

Bag文件预处理：

rosbag filter input.bag output.bag "topic == '/points_raw' or topic == '/imu_data'"

实时性能监控：

top -H -p $(pgrep -f aloam_velodyne)

对于想要深入理解A-LOAM的同学，建议重点研究：

1. scanRegistration.cpp中的特征提取逻辑
2. laserOdometry.cpp中的运动估计
3. laserMapping.cpp中的地图优化

遇到特别棘手的问题时，可以尝试：

• 降低输入数据频率
• 关闭其他消耗资源的程序
• 使用gdb逐步调试：

  gdb --args ./devel/lib/aloam_velodyne/ascanRegistration