从踩坑到填坑：Livox Mid-360双雷达ROS驱动配置，解决坐标系混乱与话题合并的烦恼
Livox Mid-360双雷达ROS驱动深度配置指南：从坐标系混乱到精准SLAM建图
第一次将两台Livox Mid-360接入ROS系统时，我满怀期待地启动了rviz，结果看到的却是两团纠缠不清的点云——就像被猫玩过的毛线球。更糟的是，IMU数据完全混在一起，SLAM算法直接罢工。经过72小时的代码深潜和无数次崩溃重启，我终于找到了让双雷达和谐共处的完整方案。
1. 双雷达系统的基础配置陷阱
大多数教程只会告诉你如何在MID360_config.json里添加雷达IP，却不会解释背后的数据流逻辑。当我们在配置文件中添加如下内容时：
"lidar_configs": [ { "ip": "192.168.123.170", "pcl_data_type": 1, "extrinsic_parameter": { "roll": 0.0, "pitch": 0.0, "yaw": 0.0, "x": 0, "y": 0, "z": 0 } }, { "ip": "192.168.123.171", "pcl_data_type": 1, "extrinsic_parameter": { "roll": 0.0, "pitch": 0.0, "yaw": 0.0, "x": 0, "y": 0, "z": 0 } } ]实际上驱动程序会默认将所有数据混在同一个话题下发布。这就是为什么在rviz中看到的点云会重叠错乱——它们被强制放在了同一个坐标系中。
关键发现：
- launch文件中的rpy参数仅影响点云显示变换
- IMU数据默认使用固定坐标系
livox_frame - 自定义消息(CustomMsg)和点云(PointCloud2)共享相同发布逻辑
2. 驱动源码的深度改造方案
要让两个雷达的数据流完全分离，需要修改livox_ros_driver2的六个核心文件。以下是关键修改点的逻辑框架：
2.1 话题发布机制重构
在lddc.cpp中，我们需要为每个雷达创建独立的话题发布逻辑。原始代码将所有数据发布到全局话题，修改后变为：
// 修改后的发布函数示例 void Lddc::PublishCustomPointData(CustomMsg& livox_msg, const uint8_t index) { std::string ip_string = IpNumToString(lds_->lidars_[index].handle); ip_string = ReplacePeriodByUnderline(ip_string); livox_msg.header.frame_id = "livox_frame_" + ip_string; PublisherPtr publisher = GetCustomPublisher(index); publisher->publish(livox_msg); }对应的头文件lddc.h需要新增获取独立发布器的方法：
PublisherPtr GetCustomPublisher(uint8_t index); PublisherPtr GetPointCloud2Publisher(uint8_t index); PublisherPtr GetPclPublisher(uint8_t index);2.2 坐标系动态生成系统
为解决IMU坐标系混乱问题，在InitImuMsg函数中实现动态坐标系命名：
void Lddc::InitImuMsg(ImuData& imu_data, ImuMsg& imu_msg, uint64_t& timestamp, const uint8_t index) { std::string ip_string = IpNumToString(lds_->lidars_[index].handle); imu_msg.header.frame_id = "livox_frame_" + ReplacePeriodByUnderline(ip_string); }2.3 点云过滤增强
新增盲区过滤功能，通过在livox_ros_driver2.cpp中引入blind参数：
double blind = 0.0; livox_node.GetNode().getParam("blind", blind); livox_node.lddc_ptr_->SetBlind(blind);在点云处理函数中添加距离判断：
if(point.x * point.x + point.y * point.y + point.z * point.z >= blind_) { pcl_msg.points.push_back(std::move(point)); }3. 编译与部署实战
完成代码修改后，编译过程需要特别注意依赖关系：
# 清理旧编译 rm -rf build devel # 设置ROS环境 source /opt/ros/noetic/setup.sh # 重新编译 ./build.sh ROS1启动配置好的launch文件：
roslaunch livox_ros_driver2 msg_MID360.launch blind:=0.5 multi_topic:=1验证话题列表应包含如下独立话题：
/livox/imu_192_168_123_170 /livox/imu_192_168_123_171 /livox/lidar_192_168_123_170 /livox/lidar_192_168_123_171 /livox/pcl/lidar_192_168_123_170 /livox/pcl/lidar_192_168_123_1714. 主流SLAM算法适配验证
4.1 Point-LIO配置要点
在Point-LIO的配置文件中，需要为每个传感器指定正确的话题和坐标系：
lidar_topic: - "/livox/lidar_192_168_123_170" - "/livox/lidar_192_168_123_171" imu_topic: - "/livox/imu_192_168_123_170" - "/livox/imu_192_168_123_171" lidar_frame: - "livox_frame_192_168_123_170" - "livox_frame_192_168_123_171"4.2 DLO参数调整技巧
DLO需要特别处理点云时间同步问题。在dlo_mapping.launch中添加：
<param name="pointcloud_topic" value="/livox/pcl/lidar_192_168_123_170"/> <param name="imu_topic" value="/livox/imu_192_168_123_170"/> <rosparam param="frames"> lidar: "livox_frame_192_168_123_170" imu: "livox_frame_192_168_123_170" </rosparam>4.3 性能优化参数对比
| 参数 | 单雷达默认值 | 双雷达推荐值 | 作用说明 |
|---|---|---|---|
| queue_size | 256 | 64 | 降低单个雷达数据队列深度 |
| blind | 0.0 | 0.3-0.5 | 过滤近距离噪点 |
| publish_rate | 10Hz | 20Hz | 提升时间分辨率 |
5. 高级调试技巧与异常处理
当系统运行异常时，可按以下流程排查：
话题检查：
rostopic list | grep livox rostopic hz /livox/imu_192_168_123_170TF树验证：
rosrun tf view_frames evince frames.pdf点云质量诊断：
rosrun rviz rviz -d $(rospack find livox_ros_driver2)/config/rviz_MID360.rviz
常见问题解决方案：
- 点云不显示：检查防火墙设置，确认雷达IP可达
- IMU数据延迟：调整
publish_interval_ms参数 - 坐标系错乱：确认每个话题的frame_id唯一性
在仓库环境中测试时，两个Mid-360的联合建图精度达到了±2cm，比单雷达系统提升了40%的覆盖范围。特别是在走廊等特征稀疏区域，双雷达的交叉验证显著降低了SLAM漂移。