保姆级教程：在Ubuntu 18.04上从零搭建LeGO-LOAM，搞定KITTI和速腾RS-16数据-洪萨配资

从零搭建LeGO-LOAM：Ubuntu 18.04实战指南与多雷达适配技巧

第一次接触SLAM算法时，我被LeGO-LOAM的轻量级特性所吸引——它能在普通笔记本电脑上实时处理16线激光雷达数据，这对学生和预算有限的开发者来说简直是福音。但真正尝试在Ubuntu 18.04上部署时，才发现从环境配置到不同雷达适配的每个环节都暗藏玄机。本文将带你完整走通这条路径，特别针对速腾RS-16这类国产雷达的适配痛点，提供经过实战检验的解决方案。

1. 环境准备：ROS Melodic与GTSAM的精准部署

在Ubuntu 18.04上搭建LeGO-LOAM，首要任务是构建稳定的基础环境。ROS Melodic作为官方推荐的版本，其软件源在国内的访问速度直接影响安装效率。建议先更换为国内镜像源：

sudo sed -i 's/archive.ubuntu.com/mirrors.aliyun.com/g' /etc/apt/sources.list sudo apt update && sudo apt upgrade -y

接下来是ROS Melodic的核心安装步骤：

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' sudo apt-key adv --keyserver 'hkp://keyserver.ubuntu.com:80' --recv-key C1CF6E31E6BADE8868B172B4F42ED6FBAB17C654

完整安装桌面版ROS：

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

安装构建工具：

sudo apt install python-rosdep python-rosinstall python-rosinstall-generator python-wstool build-essential sudo rosdep init rosdep update

GTSAM 4.0.0-alpha2的编译需要特别注意CMake参数。以下是优化后的编译流程：

wget -O ~/Downloads/gtsam.zip https://github.com/borglab/gtsam/archive/4.0.0-alpha2.zip unzip ~/Downloads/gtsam.zip -d ~/Downloads/ cd ~/Downloads/gtsam-4.0.0-alpha2/ mkdir build && cd build cmake -DGTSAM_BUILD_WITH_MARCH_NATIVE=OFF .. make -j$(nproc) sudo make install

提示：-DGTSAM_BUILD_WITH_MARCH_NATIVE=OFF可避免在某些CPU架构上出现的指令集兼容性问题

2. LeGO-LOAM源码编译与系统调优

创建工作空间时，建议单独为LeGO-LOAM建立隔离环境，避免与其他ROS包产生依赖冲突：

mkdir -p ~/lego_loam_ws/src cd ~/lego_loam_ws/src git clone https://github.com/RobustFieldAutonomyLab/LeGO-LOAM.git cd ..

编译前需要检查系统资源分配。LeGO-LOAM对内存带宽敏感，建议：

关闭不必要的图形界面（Ctrl+Alt+F1进入终端模式）

调整swap空间（当物理内存<8GB时）：

sudo fallocate -l 4G /swapfile sudo chmod 600 /swapfile sudo mkswap /swapfile sudo swapon /swapfile

编译时使用单线程模式更可靠：

catkin_make -j1

常见编译错误解决方案：

错误类型	可能原因	解决方案
Eigen3找不到	路径配置错误	`sudo apt install libeigen3-dev`
PCL版本冲突	系统预装版本不匹配	`sudo apt install libpcl-dev=1.8.1+dfsg1-7ubuntu1`
boost报错	符号链接缺失	`sudo ln -s /usr/lib/x86_64-linux-gnu/libboost_system.so /usr/lib/x86_64-linux-gnu/libboost_system-mt.so`

3. KITTI数据集适配实战

KITTI数据集的点云格式与标准Velodyne有所不同，需要修改utility.h中的关键参数：

// 文件位置：~/lego_loam_ws/src/LeGO-LOAM/LeGO-LOAM/include/utility.h extern const string pointCloudTopic = "/kitti/velo/pointcloud"; extern const string imuTopic = "/kitti/oxts/imu"; extern const bool useCloudRing = false; // KITTI数据不含ring信息

运行前需要转换KITTI原始数据为ROS bag格式。推荐使用kitti2bag工具：

pip install kitti2bag kitti2bag -t 2011_09_30 -r 0018 raw_synced

播放数据时注意时间同步问题：

roslaunch lego_loam run.launch rosbag play kitti_2011_09_30_drive_0018_synced.bag --clock --pause

注意：KITTI的IMU数据频率较低（10Hz），可能导致初始位姿估计不准确，建议在开阔场景下初始化

4. 速腾RS-16雷达的深度适配技巧

速腾雷达的点云结构需要特别处理useCloudRing参数。以下是完整的配置流程：

驱动安装：

cd ~/lego_loam_ws/src git clone https://github.com/RoboSense-LiDAR/rslidar_sdk.git cd rslidar_sdk git submodule update --init cd ../.. catkin_make -DCATKIN_WHITELIST_PACKAGES="rslidar_sdk"

utility.h关键配置：

extern const string pointCloudTopic = "/rslidar_points"; extern const string imuTopic = "/imu/data"; extern const bool useCloudRing = false; // 速腾雷达使用自定义点类型

启动参数优化：修改run.launch文件中的以下参数：

<param name="minimumRange" type="double" value="1.0"/> <!-- 过滤近距离噪声 --> <param name="mapFilterSize" type="double" value="0.4"/> <!-- 适应RS-16的角分辨率 -->

实测中发现的性能优化技巧：

点云降采样：在雷达驱动层添加体素滤波

rosrun pcl_ros voxel_grid input:=/rslidar_points output:=/rslidar_points_downsampled leaf_size:=0.1

IMU对齐：速腾雷达与IMU的物理安装需要标定

rosrun tf static_transform_publisher 0 0 0 0 0 0 base_link imu_link 100

针对RS-16的特别调试建议：

检查点云强度值范围，必要时在featureAssociation.cpp中调整强度归一化参数
在室内场景将edgeFeatureMinValidNum从10调整为5，增强特征提取鲁棒性
对于高速移动场景，适当减小loopClosureFrequency以降低计算负载

5. 实战问题排查与性能优化

常见运行时错误速查表：

现象	诊断方法	解决方案
点云不显示	`rostopic echo /rslidar_points	head`
地图漂移	`rviz`中查看IMU坐标系	确认IMU数据与雷达时间同步
程序崩溃	`dmesg	grep -i kill`

性能优化参数对照：

参数文件	关键参数	推荐值	作用
`utility.h`	`laserCloudWidth`	1600	点云水平分辨率
`featureAssociation.cpp`	`edgeThreshold`	0.1	边缘特征敏感度
`mapOptmization.cpp`	`surroundingKeyframeSize`	50	闭环检测范围

内存优化技巧：

# 限制ROS节点内存使用 ulimit -Sv 4000000 # 设置为4GB roslaunch lego_loam run.launch

对于长期运行的建图任务，建议定期保存子地图：

// 在mapOptmization.cpp中添加 if (cloudKeyPoses3D->size() % 100 == 0) { pcl::io::savePCDFile("/tmp/submap_"+std::to_string(cloudKeyPoses3D->size())+".pcd", *laserCloudSurroundDS); }