企业官网建设流程全解析

每次做四足机器狗的室外 SLAM 调研，都会遇到同一个争论：用视觉方案还是激光方案？

视觉方案便宜、信息丰富，但一到阳光直射、树影斑驳、路面反光的环境，特征点就开始“罢工”。传统 16 线机械雷达倒是稳定，但装在四足狗这种低矮平台上，近距离盲区大、垂直视场角小，楼梯、路沿、矮灌木经常扫不到，建出来的地图总感觉“少了半层楼”。

于是越来越多团队把目光放到 Livox MID-360 和 LIO-SAM 这个组合上。MID-360 是非重复扫描的固态激光雷达，垂直视场角达到 59°，天然适合低视角平台；LIO-SAM 是紧耦合 LiDAR-Inertial 里程计，有回环检测，在室外场景表现稳定。两者搭配，已经成为很多四足机器人项目做室外建图的首选方案。

但这条路的坑也不少。网上资料大多是“单雷达跑通”的简单流程，真正把 MID-360 放到四足机器狗上、跑到室外环境里，会遇到驱动版本不匹配、LIO-SAM 参数不适配、IMU 时间戳不同步、点云畸变等一系列问题。这篇文章不做理论堆砌，直接把遇到的问题、改过的配置、验证过的方法整理出来，希望能帮你少走弯路。

1. 四足机器狗室外建图，到底难在哪

先看一个容易被忽略的事实：四足机器狗的传感器安装高度通常在 30 到 50 厘米之间，这决定了它与车载激光雷达的使用逻辑完全不同。

1. 低视角带来遮挡问题。车辆雷达装在车顶，1.5 米以上高度，可以看到远处的路面和车辆。机器狗的高度接近地面，草丛、台阶、路沿、甚至一块石头都可能形成大面积遮挡。水平视角再大，如果垂直视场角不够，扫描到的有效环境信息会大打折扣。

2. 运动模态复杂。四足狗的行走、小跑、跳跃会产生高频振动和姿态突变，尤其是 trot 步态下的周期性起伏。这种运动对纯 LiDAR 里程计是灾难性的，特征匹配很容易被“抖散”。

3. 室外光照与动态物体。阳光直射会影响部分传感器的测量质量；行人、车辆、树叶摆动、水面反光等动态干扰会在地图上留下重影。

4. GPS 并不是处处可用。校园、园区、建筑周边经常有遮挡，GPS 信号弱甚至完全丢失，定位只能靠 LiDAR + IMU 融合。

这些约束叠加起来，结论其实很明确：想用四足机器狗在室外稳定建图，传感器必须同时具备大垂直视场、对近距离环境敏感、自带惯性测量单元，并且算法的鲁棒性要够强。MID-360 + LIO-SAM 恰好是符合这些条件、性价比又比较高的组合。

2. MID-360 和 LIO-SAM，为什么是这个组合

2.1 MID-360 的核心特点

MID-360 是 Livox 推出的混合固态激光雷达，和传统机械雷达最大的区别是扫描方式。

• 非重复扫描（Non-Repetitive Scan）：随着时间推移，激光点会逐渐填满整个视场，而不是像机械雷达那样每帧都扫描固定的线束。这样在静止或低速运动时，点云密度会越来越高，近距离感知能力很强。
• 视场角：水平 360° 全覆盖，垂直视场约 59°（-7° 到 52°）。这个垂直视场非常关键，装在低矮的四足狗上，既能扫到脚底附近的地面，也能看到一定高度的障碍物。
• 量程：在户外日光环境下，有效量程大致在 40 米级别；夜间或低光照条件下量程会更大。这个量程对四足狗常见的园区、校园、仓库场景是够用的。
• 内置 IMU：MID-360 内部集成了一颗 6 轴 IMU，数据输出频率较高。这意味着可以不额外安装 IMU，简化了系统集成。
• 点频：单回波模式下约 20 万点每秒，双回波模式约 40 万点每秒。实际使用中需要根据算力选择回波模式。

一句话总结：MID-360 适合对近距离感知要求高、平台高度低、算力有限、但又需要覆盖 360° 水平视场的机器人平台。

2.2 LIO-SAM 在做什么

LIO-SAM 的全称是 LiDAR-Inertial Odometry and Mapping，是 Tixiao Shan 在 IROS 2020 提出的开源方案。它在运行上分为几个模块：

• imageProjection：把激光点云投影到距离图像上，做地面分割和点云去畸变。
• featureExtraction：从点云中提取角点特征和平面特征。
• imuPreintegration：对 IMU 做预积分，提供帧间运动的初始估计。
• mapOptimization：基于因子图优化，维护局部地图，执行扫描匹配，同时处理回环检测和 GPS 因子。

LIO-SAM 的核心设计是紧耦合 + 因子图。LiDAR 做帧间匹配，IMU 通过预积分提供运动先验，两者互相约束，在快速旋转、剧烈颠簸时依然能保持相对稳定的位姿估计。回环检测因子则用来修正长时间运行后的累计漂移。

2.3 为什么不是 FAST-LIO

很多人会提到 FAST-LIO 或者 FAST-LIO 2，它们也是 Livox 雷达常用方案。确实，FAST-LIO 系列在计算效率和实现简洁度上有优势，和 MID-360 配合也很成熟。

但在四足机器狗室外建图这个场景，LIO-SAM 有一个不可替代的优势：它有显式的回环检测和位姿图优化，适合构建全局一致的地图。四足狗经常需要在同一个园区做大范围探索，会回到起点附近，这时回环检测能明显改善地图的闭合误差。FAST-LIO 更擅长的是低延迟里程计输出，在建图完整性上通常要另外叠加回环模块。

所以更合理的组合是：LIO-SAM 负责建图和全局一致地图，FAST-LIO 类算法用于实时里程计输出或在线定位。两者不是替代关系，而是分工关系。

3. 系统组成与硬件连接

在写配置之前，先把我们要搭的系统讲清楚。四足机器狗上搭建这套建图系统，主要是下面几部分：

1. 四足机器狗本体：提供运动底盘，常见的是宇树、小米铁蛋或者其他开源四足平台。这部分只影响机器狗运动控制，对 SLAM 来说，它只是一个运动的载体。
2. MID-360 激光雷达：提供 3D 点云和内置 IMU 数据。
3. 计算平台：一般用搭载 Ubuntu 系统的工控机或车载电脑。需要能跑 ROS，性能建议 x86 平台，能够在 10Hz 点云频率下实时跑 PCL、GTSAM 相关的优化。
4. 传感器固定方式：雷达需要固定在机身上，不能产生相对机身的晃动。很多四足狗的头部或背部有安装支架，建议安装在背部偏前、高度适中的位置，避免被身体遮挡太多水平视野。
5. 供电与通信：MID-360 通过以太网传输点云数据，供电一般通过专用线缆或 PoE 适配。注意电压电流要求，不要和电机驱动共用不稳定的电源。

整条消息链路可以简化成下面这种流向：

MID-360 ├─ 点云数据（以太网）─> livox_ros_driver2 ─> sensor_msgs/PointCloud2 ─> LIO-SAM └─ 内置 IMU（同一数据链路）─> livox_ros_driver2 ─> sensor_msgs/Imu ─> LIO-SAM

LIO-SAM 接收去畸变前的点云和 IMU 数据，在线输出：

• /lio_sam/odom：里程计位姿；
• /lio_sam/mapping/map_global：全局点云地图；
• /lio_sam/mapping/path：运动轨迹。

运行结束后，可以把全局地图保存为 PCD 文件，用于后续导航或语义标注。

4. 环境搭建与驱动安装

4.1 推荐运行环境

环境版本在不同时期变化较快，这里给一个经过实践检验的组合方向，具体版本以你的工程和硬件为准：

• Ubuntu 20.04 / 22.04；
• ROS Noetic / ROS2 均可。LIO-SAM 和 livox_ros_driver2 都有对应分支，建议先把整体环境定在 ROS Noetic + 老牌驱动链路上，遇到问题好排查；
• 依赖库：PCL、OpenCV、GTSAM，以及 Eigen、Boost 等；
• 编译工具：catkin_make 或 catkin build。

LIO-SAM 在 ROS1 框架下总体是稳定的。如果你用的是 ROS2，需要关注仓库分支是否完整适配，不建议在首次搭建时混用 ROS1/ROS2 节点。

4.2 安装依赖

LIO-SAM 官方仓库提供了依赖清单。

sudo apt-get install -y \ ros-${ROS_DISTRO}-pcl-ros \ ros-${ROS_DISTRO}-cv-bridge \ ros-${ROS_DISTRO}-image-transport \ ros-${ROS_DISTRO}-tf2-geometry-msgs \ libgtsam-dev \ libopencv-dev \ libeigen3-dev

其中 GTSAM 是 LIO-SAM 位姿图优化的核心依赖。如果系统仓库里的 GTSAM 版本太旧，可能编译不过，可以从源码编译新版，但注意源码编译耗时较长。

4.3 编译 livox_ros_driver2

Livox 官方维护的驱动是livox_ros_driver2，它同时支持 ROS1 和 ROS2。这里以 ROS1 为例。

cd ~/catkin_ws/src git clone https://github.com/Livox-SDK/livox_ros_driver2.git cd .. catkin_make source devel/setup.bash

编译完之后，需要根据雷达型号配置驱动的 launch 文件。MID-360 的配置一般在驱动目录下的config/中，launch 文件常名为：

roslaunch livox_ros_driver2 rviz_mid360.launch

这条命令会启动 MID-360 驱动，并发布点云话题。建议先跑驱动，确认点云能正常显示，再继续 LIO-SAM 的适配。

4.4 编译 LIO-SAM

cd ~/catkin_ws/src git clone https://github.com/TixiaoShan/LIO-SAM.git cd .. catkin_make source devel/setup.bash

到这里只是编译通过，LIO-SAM 默认配置并不是给 MID-360 用的，直接跑多半会出问题。下一步是核心工作：配置适配。

5. LIO-SAM 适配 MID-360：核心配置修改

很多人在这里卡住。LIO-SAM 原生支持的传感器主要是 Velodyne 和 Ouster 这类机械雷达，它们的点云组织方式和 MID-360 差异很大。我们要做的不是改算法，而是改参数和话题输入。

5.1 点云话题转换

mid360 的数据通常以自定义消息或者 PointCloud2 形式发布。LIO-SAM 识别的是标准的sensor_msgs/PointCloud2。一种最稳妥的方案是：在驱动端就把点云发布成 PointCloud2，或者通过 republish / topic remap 把它转成/points_raw。

如果你希望直接使用 livox_ros_driver2 发布的点云，可以把 LIO-SAM 的points_raw话题 remap 到驱动发布的点云话题。

5.2 修改 params.yaml

LIO-SAM 的参数文件位于config/params.yaml，这个文件决定了算法对传感器模型的理解。下面说明几个关键项。

# 文件路径：src/LIO-SAM/config/params.yaml lio_sam: # 传感器类型，需要和你的雷达匹配 sensor: mid360 # 垂直方向扫描线数 # mid360是非重复扫描，没有严格线数，这里需要根据点云分布选取 N_SCAN: 6 # 水平方向扫描点数 Horizon_SCAN: 3600 # 降采样倍数：1表示不降采样，数值越大，每帧点云越稀疏 downsampleRate: 1 # 每帧点云时间 lidarMinRange: 0.5 lidarMaxRange: 40.0

注意几个容易踩坑的点：

• N_SCAN不是随意设置的。它会被 imageProjection 用来把点云划分成距离图像。MID-360 的垂直视场角和传统雷达不同，划分不当会直接导致特征提取失败。实践中建议从小到大试，先试 4 或 6，再根据可视化结果调整。
• Horizon_SCAN表示水平一圈被分成多少列。3600 表示水平分辨率 0.1°，比较适合中低速机器人。
• lidarMinRange和lidarMaxRange要跟 MID-360 的实际量程匹配。四足狗平台上近距离杂物多，最小距离可以设 0.5 米左右，太小的值会把机体自身点云也算进去。

5.3 外参设置

params.yaml里的外参指的是IMU 坐标系到 LiDAR 坐标系的变换，不是雷达在世界系里的位姿。

# 文件路径：src/LIO-SAM/config/params.yaml lio_sam: # 外参旋转：imu to lidar extrinsicRot: - 1.0 - 0.0 - 0.0 - 0.0 - 1.0 - 0.0 - 0.0 - 0.0 - 1.0 # 外参平移：imu to lidar，单位米 extrinsicTrans: - 0.0 - 0.0 - 0.0

如果使用 MID-360 内置 IMU，IMU 坐标系和雷达坐标系通常被认为是重合的，外参可以保持单位阵。但这种“重合”是理论上的，实际上安装支架、装配公差会引入偏移。在建图精度要求高的场景，建议做一次外参标定。标定方法包括lidar_align、direct_visual_lidar_calibration等工具，也可以在 LIO-SAM 跑完后观察地图有没有重影再反推误差。

注意单位：这里的平移单位是米，不是厘米，很多人会把 0.1 米写成 1，导致点位完全错乱。

5.4 IMU 话题

LIO-SAM 默认接收/imu/data。如果使用 MID-360 内置 IMU，需要把它发布的话题 remap 成/imu/data。还需要确认 IMU 的加速度计、陀螺仪坐标系约定是否和 LIO-SAM 预期一致，不一致时会出现严重的初始化失败或位姿发散。

5.5 launch 文件修改

修改完 params.yaml 后，还要在 launch 文件里确认话题重映射。

<!-- 文件路径：src/LIO-SAM/launch/run.launch（片段） --> <launch> <param name="robot_description" command="$(find xacro)/xacro $(find lio_sam)/urdf/robot.xacro" /> <node pkg="lio_sam" type="lio_sam_imageProjection" name="lio_sam_imageProjection" output="screen"> <remap from="/imu/data" to="/livox/imu" /> <remap from="/points_raw" to="/livox/lidar" /> </node> <node pkg="lio_sam" type="lio_sam_featureExtraction" name="lio_sam_featureExtraction" output="screen" /> <node pkg="lio_sam" type="lio_sam_mapOptimization" name="lio_sam_mapOptimization" output="screen"> <remap from="/imu/data" to="/livox/imu" /> <remap from="/points_raw" to="/livox/lidar" /> </node> <node pkg="lio_sam" type="lio_sam_imuPreintegration" name="lio_sam_imuPreintegration" output="screen" /> </launch>

这里把 LIO-SAM 内部的/points_raw和/imu/data都 remap 到了 livox 驱动输出的话题上。话题名会根据 livox_ros_driver2 的配置不同而不同，请先rostopic list再确认。

6. 四足机器狗室外建图：实机运行流程

配置改完之后，建议先在手持或者固定支架上跑通，再装到四足狗上，否则一次叠加多个变量，出问题很难定位。

第一步：启动雷达驱动。

roslaunch livox_ros_driver2 rviz_mid360.launch

第二步：确认点云和 IMU 话题。

rostopic list rostopic hz /livox/lidar rostopic hz /livox/imu

正常情况下，点云话题频率在 10Hz 左右，IMU 话题频率在 100Hz 或更高。如果 IMU 频率过低，先检查驱动配置。

第三步：启动 LIO-SAM。

roslaunch lio_sam run.launch

启动之后，在 Rviz 中先查看/lio_sam/mapping/map_global。如果雷达保持静止，地图应该是一个稳定的小范围点团，不是发散出去的线。

第四步：让机器狗慢速行走。

建议以 0.3 到 0.5 m/s 的速度先走直线，再走一个带转弯的闭合路径。整个过程持续两三分钟，观察轨迹是否平滑，地图是否出现错位。

第五步：回到起点构建闭环。

四足狗室外建图最容易暴露问题的就是回环。走完一圈回到起点附近，如果地图闭合良好，说明系统整体工作正常；如果起点附近出现错位，优先检查回环检测是否触发，再检查里程计累计漂移。

第六步：保存地图。

LIO-SAM 没有内置一键保存地图，通常用 PCL 工具或者维护一个监听节点来保存全局地图。常见做法是订阅/lio_sam/mapping/map_global，利用pcl_ros把 PointCloud2 转成 PCD 文件。

rosrun pcl_ros pointcloud_to_pcd input:=/lio_sam/mapping/map_global

这个命令会把持续接收到的点云每隔一段时间保存一份。更推荐的做法是在浏览完地图后手动结束，并在保存节点中根据到达的时间戳挑一份完整的。

7. 室外建图效果实拍与分析

从实际工程运行效果看，这套组合在中等规模的室外园区中表现出了以下特征，可以给还没上车的团队参考。

地面和近距离障碍物比较完整。得益于 MID-360 的垂直视场角，机器狗行进方向前方的地面、台阶、路沿都能进入视野，不会出现传统 16 线雷达那样“地面信息稀疏、远处障碍物断裂”的情况。在铺装路面和草地上，地图中的地面层清晰可辨，道路边界可以用于后续路径规划。

建筑立面形成闭环后比较稳定。在没有太多重复纹理的场景里，LIO-SAM 的角点和平面特征匹配效果不错。走完一个 200 米级别的闭合路径后，建筑转角、墙面轮廓能稳定对齐，地图错位不明显。这里强调“建筑立面”，是因为这类场景提供了丰富的几何约束，墙角、门框、柱子都是好特征。

动态物体容易留下轻微拖影。这是需要接受的现实。行人、自行车、车辆在雷达视野内移动时，会在地图上留下少量拖影。LIO-SAM 本身没有做动态物体滤除，如果建图环境中动态干扰很多，需要在上游加一层动态点云过滤，或在最终地图发布前做一次清洁。

树荫下和稀疏植被中出现过短时退化。稀疏的树木、灌木丛产生的点云噪声相对较多，特征质量下降明显。由于 MID-360 量程有限，当视野里大部分是开阔草地、远方又有强光时，点云有效范围被压缩，LIO-SAM 容易出现短时漂移。补救思路是让机器狗在退化区域附近多走几个来回，利用局部重复观测修正轨迹。

低矮路沿和减速带建图效果远比车载雷达理想。这应该是四足狗 + MID-360 组合最有说服力的地方。车辆雷达装得高，路沿经常被车身侧面遮挡；而四足狗沿路行走时，雷达正好能看到路沿的截面，地图里能保留明显的线性结构，这对后续导航中的“沿边行驶”很有价值。

综合来看，这套组合的建图效果定位很清晰：在 50 米半径范围内的户外园区、校道、建筑物周边，它能够输出结构清晰、边界完整、适合后续导航使用的点云地图。但在空旷退化场景、大量动态物体干扰的街道上，仍需要辅助手段，比如 GPS 因子、额外磁力计或视觉信息。

8. 常见问题与排查思路

这里把适配与实机运行中最常遇到的几类问题整理成排查表。

排查顺序建议是“先话题、后参数、再外参”。绝大多数问题不是算法原理上的，而是数据根本没有按预期进入到 LIO-SAM 的节点里。

9. 最佳实践与工程建议

基于这段工程经验，给出几条对四足机器狗 + MID-360 + LIO-SAM 项目最实用的建议。

9.1 关于传感器安装

• 雷达尽量安装在机身背部的几何中心附近，而不是偏向一侧。偏置过大会引入额外的杠杆效应，机器狗转身时点云畸变更明显。
• 安装高度不要太低，否则雷达下方视场完全被腿部运动遮挡。建议离地 30 厘米以上，同时避免被电池包或结构件遮挡水平视场。
• 固定要刚性，不能用橡胶减震垫悬空安装。雷达与机体之间任何柔性连接都会变成外参的“随机漂移”。

9.2 关于标定

• 不要默认 MID-360 内置 IMU 与雷达外参是严格重合的。装配公差在小范围建图时可能不明显，但在大范围回环中会变成系统性误差。
• 每次拆装雷达后，都需要重新确认外参。建议把安装位置做成定位销结构，减少人工安装误差。

9.3 关于建图路径

• 建图时尽量让机器狗沿建筑立面走，不要长时间在空旷场地中央行驶。空旷区域退化明显，容易让里程计累积误差。
• 规划路径时要有意识地制造回环。哪怕只是走一半折返回来，也比长时间单向行驶好得多。

9.4 关于后期地图处理

• LIO-SAM 输出的全局地图直接用于导航往往需要后处理。建议先用 PCL 或 CloudCompare 做离群点去除、地面高度截断和降采样。
• 对于动态物体残留的拖影，可以在地图保存后手工清理，也可以在建图前开启动态点云过滤节点。

9.5 关于系统备份

• 启动前记录一份rostopic hz的状态，便于现场快速对比排查。
• 对每次建图实验保存 rosbag，包含雷达点云、IMU 和里程计输出。这样即使现场没跑好，也能离线调参复现，不用反复上真机。

10. 总结

回到最初的问题：用 MID-360 跑 LIO-SAM，在四足机器狗上做室外建图，到底靠不靠谱？

从工程实践的角度看，这套组合在园区、校园、建筑周边这类中等规模户外场景中表现出了很强的实用性。MID-360 的大垂直视场解决了低视角平台的感知盲区问题，LIO-SAM 的回环检测和位姿图优化保证了最终地图的全局一致性。它的门槛不在于硬件成本，而在于驱动配置、参数适配、外参标定这些需要实际经验才能做好的细节。

建议准备入手的团队按这个顺序推进：先手持雷达跑通驱动，再在固定支架上跑通 LIO-SAM，然后装到机器狗上低速行走，最后才做完整园区建图。每一步验证通过后再进入下一步，几乎可以把大部分时间浪费节省在问题排查上。

下一步值得深入研究的方向有三个：一是外参自动标定，解决雷达和机身 IMU 之间的偏差；二是动态物体过滤，提高地图的长期可用性；三是与 FAST-LIO 等实时里程计方案做输出融合，让建图和导航各取所长。希望这篇文章能帮你把 MID-360 和 LIO-SAM 真正落到自己的四足机器狗上。