从KITTI到EVO：手把手完成LIO-SAM的部署、适配与精度评估-洪萨配资

1. KITTI数据集准备与格式转换

第一次接触KITTI数据集时，我被它庞大的数据量和复杂的目录结构搞得晕头转向。经过多次实践，我总结出一套最高效的数据处理方法。KITTI数据集分为raw data和odometry两个主要部分，对于LIO-SAM这类激光惯性里程计算法，我们需要特别注意数据的选择和处理方式。

1.1 数据集下载与选择

KITTI官网需要注册才能下载数据，这个过程确实有点麻烦。我推荐使用百度云盘的镜像资源，搜索"KITTI data_odometry_velodyne"就能找到现成的打包文件。下载时要注意，LIO-SAM需要同时获取两种数据：

*_sync.zip：包含10Hz的IMU数据和去畸变的视觉数据，激光数据以bin格式存储
*_extract.zip：包含100Hz的IMU原始数据，但视觉数据未去畸变

为什么需要两者？因为LIO-SAM对IMU数据频率要求较高，而_sync.zip中的激光数据格式更友好。我实测发现，只使用_extract.zip转换时会遇到两个问题：一是转换耗时极长（txt格式的激光数据解析慢），二是需要额外处理时间同步。

1.2 数据转换实战

转换工具我推荐两个方案：官方kitti2bag和LIO-SAM作者修改版。先说说基础环境准备：

# 必须升级numpy sudo pip install -U numpy # 安装基础工具 sudo pip install kitti2bag pykitti tqdm

对于只有_sync.zip的情况，转换命令很简单：

kitti2bag -t 2011_09_30 -r 0016 raw_synced

但结合_extract.zip时就需要特殊处理了。这里有个坑我踩过——时间戳对齐问题。LIO-SAM作者提供的脚本会自动处理这个问题，关键代码如下：

# 时间戳线性拟合校正 imu_index = np.asarray(range(len(imu_datetimes)), dtype=np.float64) z = np.polyfit(imu_index, imu_datetimes, 1) imu_datetimes_new = z[0] * imu_index + z[1]

转换完成后，建议用rosbag info检查数据完整性。我遇到过bag文件中缺少IMU数据的情况，这时候需要检查_extract.zip是否下载完整。转换后的bag文件通常很大（序列00大约15GB），记得预留足够磁盘空间。

2. LIO-SAM源码适配KITTI

直接跑原始LIO-SAM在KITTI上会报错，主要因为两个关键差异：点云ring信息和时间戳处理。经过多次调试，我总结出最稳定的修改方案。

2.1 点云ring信息计算

KITTI的Velodyne HDL-64E激光雷达数据不包含ring字段，而LIO-SAM依赖这个信息进行特征提取。我们需要根据垂直角度动态计算：

float verticalAngle = atan2(thisPoint.z, sqrt(thisPoint.x*thisPoint.x + thisPoint.y*thisPoint.y)) * 180 / M_PI; rowIdn = (verticalAngle + ang_bottom) / ang_res_y;

这里ang_bottom和ang_res_y需要根据HDL-64E的参数设置：

ang_bottom = 24.8°（下方视角）
ang_res_y = 0.4°（垂直角分辨率）

实测中发现，直接这样计算有时会导致rowIdn越界，我增加了边界检查：

if (rowIdn < 0 || rowIdn >= N_SCAN) continue;

2.2 时间戳处理优化

KITTI原始数据中没有每个点的时间戳，需要根据扫描周期模拟：

float relTime = (ori - cloudInfo.startOrientation) / cloudInfo.orientationDiff; laserCloudIn->points[i].time = 0.1 * relTime; // 10Hz扫描周期

这里有个细节需要注意：当扫描跨过π角度时要做特殊处理，否则会导致时间戳跳变。我的解决方案是：

if (!halfPassed) { if (ori < cloudInfo.startOrientation - M_PI/2) { ori += 2*M_PI; } else if (ori > cloudInfo.startOrientation + M_PI*3/2) { ori -= 2*M_PI; } }

2.3 轨迹输出格式转换

为了用EVO评估，需要将位姿输出为TUM格式。这里涉及坐标系转换：

Eigen::Matrix<double, 4, 4> cali_paremeter; cali_paremeter << 2.347736981471e-04, -9.999441545438e-01, -1.056347781105e-02, -2.796816941295e-03, 1.044940741659e-02, 1.056535364138e-02, -9.998895741176e-01, -7.510879138296e-02, 9.999453885620e-01, 1.243653783865e-04, 1.045130299567e-02, -2.721327964059e-01, 0, 0, 0, 1; Eigen::Matrix<double, 4, 4> myloam_pose_f = cali_paremeter * mylio_pose * cali_paremeter.inverse();

这个变换矩阵是将结果转换到左相机坐标系，与KITTI真值保持一致。输出时建议使用科学计数法保证精度：

pose2.setf(std::ios::scientific, std::ios::floatfield);

3. EVO精度评估实战

EVO是SLAM评估的神器，但要用好它需要掌握一些技巧。我整理了最常用的四种评估模式及其解读方法。

3.1 APE绝对轨迹误差分析

APE反映整体轨迹精度，我的常用命令：

evo_ape tum kitti_00_gt.txt lio_sam_00.txt -r trans_part --align \ --plot --plot_mode xz --save_results results/ape.zip

关键参数说明：

-r trans_part：只评估平移部分（旋转误差单独评估）
--align：先进行Umeyama对齐
--plot_mode xz：选择最能反映SLAM性能的xz平面

输出结果中要重点关注：

max: 3.214192 mean: 1.082736 median: 0.945201 min: 0.012345 rmse: 1.214587

我习惯用rmse作为主要指标，当max值异常大时，可能是某些帧出现了严重漂移。

3.2 RPE相对位姿误差

RPE反映局部一致性，对激光SLAM更重要：

evo_rpe tum kitti_00_gt.txt lio_sam_00.txt -r trans_part -d 10 -u m \ --plot --save_results results/rpe.zip

这里-d 10表示以10米为间隔计算相对位姿变化，-u m指定单位为米。好的激光SLAM在10米间隔下的RPE通常应该小于1%。

3.3 多算法对比技巧

用evo_res可以方便地比较多个结果：

evo_res results/*.zip -p --save_table results/compare.csv

表格输出包含所有关键指标，我经常用这个功能比较不同参数配置的效果。加--save_table可以导出为CSV，方便做进一步分析。

3.4 轨迹可视化要点

轨迹可视化时容易犯的错误是坐标系不统一：

evo_traj tum lio_sam_00.txt -r kitti_00_gt.txt -a -p \ --plot_mode xz --correct_scale

--correct_scale确保三个轴比例一致，避免图形变形。当轨迹很大时（如KITTI 00序列），建议用--n_to_align 100只对齐前100帧，加快处理速度。

4. 实战经验与调优建议

经过多次实验，我总结出几个提升LIO-SAM在KITTI上表现的技巧。

4.1 参数调优关键点

修改params.yaml中这几个参数效果最明显：

pointCloudMinRange: 5.0 # KITTI场景较大，适当提高 pointCloudMaxRange: 100.0 mapResolution: 0.4 # 平衡精度和计算量

IMU参数需要特别注意：

imuAccNoise: 1e-2 imuGyrNoise: 1e-3 imuAccBiasN: 1e-4 imuGyrBiasN: 1e-5

KITTI的IMU噪声较大，适当调高噪声参数反而能提升效果。

4.2 常见问题解决

遇到过最棘手的问题是点云抖动，解决方案是：

检查ring计算是否正确
调整scanRegistration中的featureExtraction参数
增加imuHistorySize到1000

另一个典型问题是轨迹漂移，我通常从三个方面排查：

IMU-Camera外参是否准确
点云去畸变是否充分
回环检测是否生效

4.3 性能优化技巧

在低配设备上运行可以：

降低laserCloudStackNum到2
关闭visualizeCloud
使用ROS的compressed传输

对于长时间序列（如KITTI 00），建议修改：

// 增加关键帧选择间隔 keyframeMeterGap = 10.0; keyframeDegGap = 30.0;

记得在评估时要把这些调整考虑进去，不同的参数设置会导致EVO结果有显著差异。我通常会在README中记录每次实验的具体参数，方便结果复现和对比。

从KITTI到EVO：手把手完成LIO-SAM的部署、适配与精度评估