保姆级教程：手把手教你用LIO_SAM复现KITTI 08序列（附完整数据准备与EVO评估流程）

从零实现LIO_SAM在KITTI 08序列的完整复现与精度验证指南

当第一次接触SLAM领域时，许多研究者都会选择从经典数据集KITTI入手。这个数据集不仅包含了丰富的传感器数据，还提供了标准化的评估方法。本文将带你完整走通LIO_SAM在KITTI 08序列上的复现流程，从数据准备到最终评估，每个步骤都配有详细说明和实用脚本。

1. 环境准备与数据获取

在开始之前，我们需要确保基础环境已经就绪。推荐使用Ubuntu 20.04系统搭配ROS Noetic，这是目前最稳定的组合。以下是需要提前安装的关键组件：

sudo apt-get install -y ros-noetic-lio-sam ros-noetic-velodyne-pointcloud pip install evo --upgrade --no-binary evo

KITTI数据集分为odometry和raw data两个部分，它们之间的对应关系常常让初学者困惑。对于08序列，我们需要同时使用这两部分数据：

• odometry数据：包含激光雷达扫描和真值轨迹，用于最终精度评估
• raw data：包含完整的传感器数据（100Hz IMU、相机图像等），用于运行LIO_SAM

可以通过以下命令下载必要数据：

wget https://s3.eu-central-1.amazonaws.com/avg-kitti/data_odometry_poses.zip wget https://s3.eu-central-1.amazonaws.com/avg-kitti/data_odometry_velodyne.zip wget https://s3.eu-central-1.amazonaws.com/avg-kitti/data_2011_09_30_drive_0028_extract.zip

2. 数据预处理与格式转换

原始下载的数据需要经过一系列处理才能被LIO_SAM使用。最关键的是时间戳对齐和格式转换。

2.1 转换KITTI数据为ROS bag格式

虽然可以直接使用社区提供的预转换bag文件，但理解转换过程对排查问题很有帮助。以下脚本展示了如何将KITTI raw data转换为ROS bag：

#!/usr/bin/env python import rosbag from kitti_utils import convert_kitti_to_bag convert_kitti_to_bag( velodyne_path="2011_09_30_drive_0028_sync/velodyne_points/data", imu_path="2011_09_30_drive_0028_extract/oxts/data", output_bag="kitti_08.bag" )

注意：实际使用时需要根据你的数据存放路径调整上述参数。IMU数据建议使用extract版本，因为sync版本的频率被降到了10Hz。

2.2 准备真值数据

KITTI odometry提供的真值轨迹是12列的变换矩阵格式，而evo工具需要8列的TUM格式。转换时需要特别注意时间戳对齐：

python2 kitti_poses_and_timestamps_to_trajectory.py \ odometry/poses/08.txt \ lio_sam_times.txt \ kitti_08_gt.tum

3. 运行LIO_SAM与参数调整

有了准备好的bag文件，现在可以启动LIO_SAM了。建议先检查配置文件params.yaml中的关键参数：

pointCloudTopic: "points_raw" imuTopic: "imu_correct" # 激光雷达参数 sensor: "velodyne" N_SCAN: 64 Horizon_SCAN: 1800 # 关键帧设置 keyframeDelta: 1.0

启动顺序很重要，建议按照以下步骤：

1. 启动ROS核心

   roscore

2. 在新的终端中运行LIO_SAM

   roslaunch lio_sam run.launch

3. 播放bag文件

   rosbag play kitti_08.bag -r 0.5

提示：初次运行时建议降低播放速度(-r 0.5)，以便观察系统状态。如果出现点云畸变，可能需要调整IMU到激光雷达的外参。

4. 轨迹评估与结果分析

运行完成后，LIO_SAM会输出估计轨迹。我们可以使用evo工具进行定量评估：

4.1 评估绝对位姿误差(APE)

evo_ape tum kitti_08_gt.tum lio_sam_estimate.tum -va --plot

这将输出APE统计信息和误差曲线图。对于KITTI 08序列，良好的实现应该能达到以下指标：

4.2 评估相对位姿误差(RPE)

evo_rpe tum kitti_08_gt.tum lio_sam_estimate.tum -va --plot

RPE反映了系统在短时间内的漂移情况，是评估SLAM系统鲁棒性的重要指标。

5. 常见问题排查

在实际复现过程中，可能会遇到各种问题。以下是几个典型问题及解决方案：

1. 点云显示异常

   • 检查params.yaml中的sensor参数是否正确
   • 确认bag文件中的点云话题与配置一致

2. 轨迹漂移严重

   • 尝试调整IMU噪声参数

   imuAccNoise: 1e-2 imuGyrNoise: 1e-3

3. evo评估时报时间戳错误

   • 确保估计轨迹和真值轨迹的时间范围一致
   • 使用evo_traj tum --check验证轨迹文件完整性

对于希望进一步优化的开发者，可以考虑以下改进方向：

• 在回环检测模块中添加视觉信息
• 实现自适应关键帧策略
• 融合GPS数据提升全局一致性