保姆级教程：在Ubuntu 20.04上从源码编译运行ORB-SLAM3（含ROS1/ROS2配置）

从零构建ORB-SLAM3实战指南：Ubuntu 20.04全流程解析与性能调优

环境配置与系统准备

在开始ORB-SLAM3的编译部署前，需要确保系统环境满足以下基础要求。我们推荐使用Ubuntu 20.04 LTS作为开发平台，其长期支持特性和稳定的软件源能够避免兼容性问题。

硬件建议配置：

• CPU：Intel i7及以上（建议支持AVX指令集）
• 内存：16GB及以上
• 存储：SSD硬盘，至少50GB可用空间
• 显卡：NVIDIA显卡（CUDA支持可加速部分计算）

基础依赖安装：

sudo apt update && sudo apt upgrade -y sudo apt install -y build-essential cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev sudo apt install -y python3-dev python3-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libdc1394-22-dev

对于需要ROS支持的用户，建议选择ROS Noetic或ROS2 Foxy版本。以下是ROS1环境配置示例：

sudo sh -c 'echo "deb http://packages.ros.org/ros/ubuntu $(lsb_release -sc) 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 sudo apt install -y ros-noetic-desktop-full

源码编译与依赖管理

ORB-SLAM3的编译过程需要特别注意依赖库的版本兼容性。我们推荐使用源码编译方式安装关键依赖：

Pangolin（可视化工具）：

git clone https://github.com/stevenlovegrove/Pangolin.git cd Pangolin && mkdir build && cd build cmake .. -DCMAKE_BUILD_TYPE=Release make -j$(nproc) sudo make install

OpenCV（4.2+版本）：

git clone https://github.com/opencv/opencv.git cd opencv && mkdir build && cd build cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local .. make -j$(nproc) sudo make install

Eigen3（线性代数库）：

sudo apt install -y libeigen3-dev

DBoW2和g2o（内置依赖）： ORB-SLAM3已包含修改版的DBoW2和g2o，无需单独安装。

ORB-SLAM3编译与安装

获取源码并编译：

git clone https://github.com/UZ-SLAMLab/ORB_SLAM3.git ORB_SLAM3 cd ORB_SLAM3 chmod +x build.sh ./build.sh

编译过程中常见问题解决方案：

数据集准备与运行测试

ORB-SLAM3支持多种传感器配置，我们以EuRoC数据集为例演示运行流程：

数据集下载与预处理：

wget -P datasets http://robotics.ethz.ch/~asl-datasets/ijrr_euroc_mav_dataset/vicon_room1/V102_medium.zip unzip datasets/V102_medium.zip -d datasets/EuRoC/V102

单目运行命令：

./Examples/Monocular/mono_euroc \ Vocabulary/ORBvoc.txt \ Examples/Monocular/EuRoC.yaml \ datasets/EuRoC/V102 \ Examples/Monocular/EuRoC_TimeStamps/V102.txt

双目运行命令：

./Examples/Stereo/stereo_euroc \ Vocabulary/ORBvoc.txt \ Examples/Stereo/EuRoC.yaml \ datasets/EuRoC/V102 \ Examples/Stereo/EuRoC_TimeStamps/V102.txt

ROS集成与实时处理

对于需要实时处理的机器人应用，ROS集成至关重要。以下是ROS1节点的配置流程：

1. 创建ROS工作空间：

mkdir -p ~/orb_slam3_ws/src cd ~/orb_slam3_ws/src catkin_init_workspace

2. 添加ORB-SLAM3 ROS接口：

cp -r /path/to/ORB_SLAM3/Examples/ROS/ORB_SLAM3 . cd .. && catkin_make

3. 配置相机启动文件（以usb_cam为例）：

<launch> <node name="usb_cam" pkg="usb_cam" type="usb_cam_node"> <param name="video_device" value="/dev/video0"/> <param name="image_width" value="640"/> <param name="image_height" value="480"/> </node> <node name="ORB_SLAM3" pkg="ORB_SLAM3" type="Mono" args="$(find ORB_SLAM3)/../../../Vocabulary/ORBvoc.txt $(find ORB_SLAM3)/../../../Examples/Monocular/TUM1.yaml" /> </launch>

参数调优与性能优化

ORB-SLAM3的性能高度依赖参数配置，以下是关键参数调整建议：

特征提取参数：

# ORB特征数量 ORBextractor.nFeatures: 1200 # 金字塔层级数 ORBextractor.nLevels: 8 # 尺度因子 ORBextractor.scaleFactor: 1.2

IMU参数（视觉惯性模式）：

# 加速度计噪声 IMU.NoiseGyro: 1.7e-4 IMU.NoiseAcc: 2.0e-3 # 零偏随机游走 IMU.GyroWalk: 1.0e-5 IMU.AccWalk: 3.0e-3

实时性优化技巧：

• 启用bUseGPU选项加速特征匹配
• 调整KeyFrameCullingPercentage控制关键帧数量
• 使用bPreciseMapping提升建图精度（牺牲实时性）

多传感器融合实践

ORB-SLAM3支持多种传感器配置，以下是典型组合的性能对比：

RGB-D配置示例：

./Examples/RGB-D/rgbd_tum \ Vocabulary/ORBvoc.txt \ Examples/RGB-D/TUM3.yaml \ datasets/TUM/rgbd_dataset_freiburg3_walking_xyz \ associations/fr3_walk_xyz.txt

可视化与结果分析

ORB-SLAM3提供多种可视化工具用于结果分析：

1. 实时轨迹显示：

# 需要安装Pangolin ./Examples/Monocular/mono_tum Vocabulary/ORBvoc.txt Examples/Monocular/TUM1.yaml datasets/TUM/rgbd_dataset_freiburg1_xyz

2. 轨迹保存与评估：

# 保存轨迹到文件 ./Examples/Monocular/mono_euroc ... > trajectory.txt # 使用evo工具评估 evo_ape euroc groundtruth.csv trajectory.txt -a

3. 关键帧与地图点导出：

# 使用Python接口读取地图数据 import numpy as np keyframes = np.load('KeyFrames.npy') mappoints = np.load('MapPoints.npy')

高级功能与自定义扩展

ORB-SLAM3的模块化设计允许开发者进行深度定制：

自定义特征提取器：

1. 继承ORBextractor类
2. 重写operator()方法
3. 在System.cc中注册新提取器

多地图策略调整：

// 在Atlas.cc中修改地图合并阈值 void Atlas::CreateNewMap() { mnMaxKFid = 0; if(mpCurrentMap->GetAllKeyFrames().size() < 10) MergeMaps(mpCurrentMap, mpLastMap); }

ROS2适配指南：

1. 创建colcon工作空间
2. 转换原有ROS1消息接口
3. 实现rclcpp节点生命周期管理

性能瓶颈与解决方案

在实际部署中可能遇到的典型问题：

跟踪丢失处理：

• 增加TH_HIGH重定位阈值
• 调整mfRelocThreshold位置识别参数
• 启用bUseInertial惯性辅助

内存优化技巧：

// 在KeyFrameDatabase.cc中限制词袋大小 void KeyFrameDatabase::clear() { mvInvertedFile.clear(); mvInvertedFile.shrink_to_fit(); }

实时性保障措施：

• 使用setNumThreads控制线程数
• 启用bEnableEarlyTermination提前终止优化
• 调整nLoopClosureThreads闭环线程优先级

跨平台部署方案

将ORB-SLAM3部署到嵌入式设备的注意事项：

Jetson平台优化：

# 启用JetPack的CUDA加速 cmake .. -DUSE_CUDA=ON -DCUDA_ARCH_BIN="7.2" # 内存限制配置 sudo nvpmodel -m 0 sudo jetson_clocks

Docker容器化部署：

FROM nvidia/cuda:11.4.2-base RUN apt update && apt install -y git cmake libopencv-dev COPY ORB_SLAM3 /app WORKDIR /app RUN ./build.sh

交叉编译配置：

# ARM架构编译工具链 cmake -DCMAKE_TOOLCHAIN_FILE=../arm-gnueabi.toolchain .. make -j4

实际应用案例

ORB-SLAM3在多个领域展现出强大潜力：

无人机自主导航：

• 使用双目+IMU配置
• 集成PX4飞控MAVLink接口
• 地面站实时可视化

AR/VR场景构建：

• 适配Tango设备SDK
• 支持6DoF姿态估计
• 与Unity3D/Unreal引擎集成

服务机器人SLAM：

• 长期地图维护
• 动态物体过滤
• 多楼层地图管理

前沿扩展方向

基于ORB-SLAM3的进阶研究可能：

1. 深度学习特征融合：

• 替换ORB为SuperPoint特征
• 集成CNN-based描述符
• 端到端重定位网络

2. 语义SLAM扩展：

• 添加YOLOv5检测分支
• 构建语义八叉树地图
• 物体级SLAM优化

3. 边缘计算优化：

• 量化模型加速
• 关键帧选择性传输
• 分布式地图融合

持续集成与自动化测试

建立稳健的开发流程：

GitHub Actions配置：

name: CI on: [push] jobs: build: runs-on: ubuntu-20.04 steps: - uses: actions/checkout@v2 - run: sudo apt install -y libopencv-dev libeigen3-dev - run: cd ORB_SLAM3 && chmod +x build.sh && ./build.sh

单元测试框架：

TEST(ORBExtractorTest, KeyPointGeneration) { ORBextractor extractor(1000, 1.2, 8, 20, 7); cv::Mat img = cv::imread("test.png", 0); std::vector<cv::KeyPoint> keypoints; cv::Mat descriptors; extractor(img, cv::Mat(), keypoints, descriptors); EXPECT_GT(keypoints.size(), 500); }

性能基准测试：

# 使用perf工具分析 perf stat -e cycles,instructions,cache-references,cache-misses \ ./Examples/Monocular/mono_euroc ...