从零搭建ROS-Gazebo仿真环境：以Husky机器人为例实践多SLAM算法评估

1. 环境准备：从零搭建ROS-Gazebo基础平台

第一次接触ROS和Gazebo的朋友可能会觉得头大，其实只要跟着步骤一步步来，搭建环境并没有想象中那么难。我建议使用Ubuntu 18.04系统，这个版本对ROS Melodic的支持最稳定。安装完系统后，第一件事就是配置ROS环境。

安装ROS Melodic其实很简单，只需要几条命令：

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 ros-melodic-desktop-full

安装完成后，别忘了初始化rosdep，这个工具在后续安装依赖时会非常有用：

sudo rosdep init rosdep update

Gazebo通常会随ROS一起安装，但很多人会遇到打不开的问题。这里有个小技巧：如果你用的是虚拟机，记得关闭3D图形加速选项。我在VMware上测试时发现，开启这个选项反而会导致Gazebo崩溃。另外，建议安装gazebo_ros_pkgs这个包，它提供了ROS和Gazebo之间的接口：

sudo apt install ros-melodic-gazebo-ros-pkgs ros-melodic-gazebo-ros-control

环境变量配置也很关键，我建议把这些命令加到.bashrc文件里，这样每次打开终端都会自动加载ROS环境：

echo "source /opt/ros/melodic/setup.bash" >> ~/.bashrc echo "source ~/catkin_ws/devel/setup.bash" >> ~/.bashrc source ~/.bashrc

2. SLAM算法集成：四大主流方案实战

2.1 LOAM：经典激光SLAM算法

LOAM（Lidar Odometry and Mapping）可以说是激光SLAM领域的里程碑式算法。我在GitHub上试过很多实现版本，最终发现laboshinl维护的这个版本最稳定。安装过程如下：

首先创建工作空间并克隆代码：

mkdir -p ~/loam_ws/src cd ~/loam_ws/src git clone https://github.com/laboshinl/loam_velodyne.git

编译时可能会遇到PCL库版本问题，这时可以尝试指定PCL版本：

cd ~/loam_ws catkin_make -DPCL_DIR=/usr/lib/x86_64-linux-gnu/cmake/pcl

运行LOAM时，建议先检查激光雷达话题是否正确配置。我遇到过因为话题不匹配导致无法建图的情况，修改launch文件中的话题名即可解决。

2.2 LeGO-LOAM：轻量级地面优化方案

LeGO-LOAM在LOAM基础上做了很多优化，特别适合地面机器人。安装前需要先装GTSAM库，这里有个坑要注意：必须使用4.0.2版本，新版本可能会有兼容性问题。

安装GTSAM：

git clone https://bitbucket.org/gtborg/gtsam.git cd gtsam git checkout 4.0.2 mkdir build cd build cmake .. make -j4 sudo make install

LeGO-LOAM的安装相对简单：

mkdir -p ~/lego_ws/src cd ~/lego_ws/src git clone https://github.com/RobustFieldAutonomyLab/LeGO-LOAM.git cd ~/lego_ws catkin_make -j4

运行时如果出现点云畸变，可以尝试调整laserCloudSurfLast和laserCloudEdgeLast的发布频率，这个参数在utility.h文件中。

2.3 LIO-SAM：紧耦合激光惯性方案

LIO-SAM是我个人最喜欢的算法，它融合了IMU数据，建图效果非常稳定。安装前同样需要GTSAM，步骤和上面一样。

安装LIO-SAM：

mkdir -p ~/lio_ws/src cd ~/lio_ws/src git clone https://github.com/TixiaoShan/LIO-SAM.git cd ~/lio_ws catkin_make -j4

运行时常见的一个错误是"[lio_sam_imuPreintegration-2] process has died"，这是因为libmetis.so库的位置问题。解决方法：

sudo mv /usr/local/lib/libmetis.so /opt/ros/melodic/lib/

2.4 A-LOAM：LOAM的简化实现

A-LOAM是港科大实现的简化版LOAM，代码更简洁但性能不打折。安装前需要先装Ceres Solver，这里有个小技巧：安装前确保系统有glog库。

安装Ceres Solver：

sudo apt install libgoogle-glog-dev wget ceres-solver.org/ceres-solver-1.14.0.tar.gz tar xvf ceres-solver-1.14.0.tar.gz cd ceres-solver-1.14.0 mkdir build cd build cmake .. make -j4 sudo make install

A-LOAM的安装：

mkdir -p ~/aloam_ws/src cd ~/aloam_ws/src git clone https://github.com/HKUST-Aerial-Robotics/A-LOAM.git cd ~/aloam_ws catkin_make

3. Husky机器人Gazebo仿真环境搭建

Clearpath Robotics的Husky是非常适合SLAM研究的移动机器人平台。在Gazebo中仿真Husky需要安装husky仿真包：

sudo apt install ros-melodic-husky-gazebo ros-melodic-husky-navigation

创建测试环境：

mkdir -p ~/husky_ws/src cd ~/husky_ws/src git clone https://github.com/husky/husky.git cd ~/husky_ws catkin_make

启动基础仿真环境：

roslaunch husky_gazebo husky_empty_world.launch

如果想使用自定义场景，可以把.world文件放到husky_gazebo/worlds目录下，然后修改launch文件中的world_name参数。我测试时创建了一个包含多个房间和障碍物的场景，这对SLAM算法评估很有帮助。

4. 联合仿真与算法评估实战

4.1 多算法并行测试方案

为了公平比较不同SLAM算法，我设计了一套测试流程：

1. 启动Gazebo仿真环境：

roslaunch husky_gazebo husky_playpen.launch

2. 启动键盘控制节点：

rosrun teleop_twist_keyboard teleop_twist_keyboard.py

3. 分别启动不同SLAM算法（每个算法单独测试）：

# LOAM roslaunch loam_velodyne loam_velodyne.launch # LeGO-LOAM roslaunch lego_loam run.launch # LIO-SAM roslaunch lio-sam run.launch # A-LOAM roslaunch aloam_velodyne aloam_velodyne_VLP_16.launch

4.2 评估指标设计

在实际测试中，我主要关注以下几个指标：

1. 建图精度：通过回环检测和实际场景对比评估
2. 计算资源占用：使用top命令监控CPU和内存使用率
3. 实时性：检查算法处理频率是否跟得上激光雷达数据速率
4. 鲁棒性：在快速转弯和复杂场景下的表现

4.3 实测结果分析

经过多次测试，我发现：

• LOAM建图效果最好但计算量最大，适合高性能平台
• LeGO-LOAM对地面特征利用充分，在平坦环境中表现优异
• LIO-SAM融合IMU数据后，在快速运动时更稳定
• A-LOAM代码简洁，适合算法学习和二次开发

建议初学者先从A-LOAM开始，了解基本原理后再尝试其他算法。在实际项目中，如果需要高精度建图，LIO-SAM可能是最佳选择。