企业官网建设流程全解析

简介：这份资源是面向LiDAR SLAM研究与自动驾驶感知学习者的LEGO-LOAM适配版本，针对Kitti数据集在数据读取、时间戳同步、特征提取与点云匹配等环节做了针对性修改，便于在真实场景数据上复现激光雷达里程计与建图流程。压缩包共23个文件，约26.74MB，以cpp源码与h头文件为核心，辅以launch启动配置、msg消息定义、rviz可视化配置、xml参数文件，并附有md说明、pdf论文预印本及少量jpg、png、gif示意图，整体结构接近完整可编译工程。目前已有648人学习下载，适合具备一定ROS与SLAM基础、希望快速上手Kitti实验的读者。拿到后可直接对照源码理解算法改动点，借助论文与说明文档梳理原理，并基于现有配置开展定位精度与建图效果的验证和二次开发。

1. 为适配 KITTI 数据集修改的 LeGO-LOAM：从跑通到跑准的实战拆解

手里有一份 KITTI 的 rosbag，想直接丢进 LeGO-LOAM 跑一遍，结果要么启动就崩，要么建出来的图歪得没法看——这是很多做激光 SLAM 的人第一次接触「为适配 KITTI 数据集修改的 LeGO-LOAM」时最真实的场景。LeGO-LOAM 本身是为地面车辆设计的轻量级激光里程计与建图方案，靠地面分割和聚类把特征点分得干净，在 KITTI 这种城市道路数据上本来应该很合适。但原版代码的默认配置、话题名、外参、点云格式都是按作者自己的传感器标定的，直接拿来跑 KITTI 大概率翻车。这个标题讲的就是：把 LeGO-LOAM 的输入接口、参数和坐标系对齐到 KITTI 的 Velodyne HDL-64E 数据上，让它能稳定输出轨迹和点云地图。适合已经会编译 ROS 包、手里有 KITTI raw data 或 odometry benchmark 数据、想拿 LeGO-LOAM 做基线对比或二次开发的人。

2. KITTI 数据与 LeGO-LOAM 的接口差异：先搞清楚哪里对不上

2.1 KITTI 点云格式和 LeGO-LOAM 期望的输入

KITTI raw data 里的 Velodyne 点云是二进制 bin 文件，每条扫描线按x, y, z, intensity四个 float32 存储，没有 ring 字段，也没有时间戳字段。LeGO-LOAM 的imageProjection节点订阅的是sensor_msgs/PointCloud2，内部按 Velodyne 的 ring 来划分扫描线，默认 N_SCAN=16、Horizon_SCAN=1800。KITTI 用的是 HDL-64E，64 线，水平分辨率约 0.08° 到 0.35° 不等，一圈大约 2083 个点每线（取决于旋转速度）。如果你直接把 KITTI 的 bin 转成 PointCloud2 而不补 ring，LeGO-LOAM 的imageProjection会按角度硬算 ring，算出来的线号和真实线号对不上，地面分割就会把该留的点删掉，或者把墙面点当成地面。

常见做法是写一个转换脚本，读 bin 文件，按垂直角度反推 ring，再填进 PointCloud2 的 ring 字段。KITTI 的 HDL-64E 垂直角分布不是均匀的，上 32 线和下 32 线角度间隔不同，所以反推 ring 的时候要用查找表，不能简单线性除。我一般会先把 HDL-64E 的 64 个垂直角度从标定文件里读出来，排序后做最近邻匹配。

import numpy as np import struct # HDL-64E 垂直角度（度），从 KITTI 标定文件或 Velodyne 手册获取 VERT_ANGLES = np.array([...]) # 64 个值，升序排列 def bin_to_points(bin_path): points = np.fromfile(bin_path, dtype=np.float32).reshape(-1, 4) x, y, z = points[:, 0], points[:, 1], points[:, 2] # 计算每个点的垂直角度 vert_angle = np.degrees(np.arctan2(z, np.sqrt(x**2 + y**2))) # 最近邻匹配到 64 线 ring = np.argmin(np.abs(vert_angle[:, None] - VERT_ANGLES[None, :]), axis=1) return points, ring.astype(np.uint16)

这段代码的关键是VERT_ANGLES必须准确。KITTI 的 HDL-64E 标定文件里给了每个激光头的垂直角度，直接拿来用。如果手头没有标定文件，可以用 Velodyne 官方 HDL-64E 的标称角度，但会有 0.1° 到 0.3° 的偏差，跑短距离问题不大，跑长距离会累积。ring算完之后要作为 PointCloud2 的一个字段发出去，LeGO-LOAM 的imageProjection里useCloudRing参数要设成 true，否则它还是按角度硬算。

2.2 话题名、坐标系和外参的对应关系

LeGO-LOAM 默认订阅/velodyne_points，发布/lio_sam/deskew/cloud_deskewed之类的中间话题。KITTI 的 rosbag 里话题名通常是/kitti/velo/pointcloud或者你自己转的时候定的名字。最省事的做法是在 launch 文件里把imageProjection的subscribe_topic改成你的话题名，而不是去改代码。外参方面，LeGO-LOAM 假设激光雷达坐标系是 x 向前、y 向左、z 向上，KITTI 的 Velodyne 坐标系是 x 向前、y 向左、z 向上，这一点是一致的，所以外参矩阵基本是单位阵。但 KITTI 的相机和激光雷达之间有标定外参，如果你要把点云投影到图像上做验证，那个外参是另一回事，不影响 LeGO-LOAM 本身。

坐标系上容易踩的坑是 KITTI 的 ground truth 位姿。KITTI odometry benchmark 给的 poses 是 3x4 的变换矩阵，从相机坐标系出发的。如果你要拿 LeGO-LOAM 的输出和 ground truth 对比，得先把 LeGO-LOAM 的轨迹从雷达坐标系转到相机坐标系，或者把 ground truth 转到雷达坐标系。我一般会在评估脚本里统一转到雷达坐标系，因为 LeGO-LOAM 输出的是雷达位姿。

2.3 参数文件里必须改的几项

LeGO-LOAM 的utility.h里有一堆编译期常量，改完要重新编译。KITTI 适配最关键的几个：

Horizon_SCAN如果设小了，点云会被截断，建图会缺一块；设大了浪费内存。KITTI 的 HDL-64E 在 10Hz 旋转下每圈大约 2083 个点，但不同序列可能略有差异，可以先用rosbag info看一帧点云的实际点数再定。groundScanInd决定哪些线被当成地面候选，16 线的时候 7 差不多，64 线要调到 20 左右，否则地面点太少，groundRemoval会把非地面点误判。

3. 把 KITTI bin 转成 LeGO-LOAM 能吃的 rosbag：完整操作链

3.1 转换脚本的编写与运行

KITTI raw data 下载下来是 drive 文件夹，里面有velodyne_points/data/*.bin和timestamps.txt。要转成 rosbag，核心是读 bin、补 ring、填时间戳、写 PointCloud2。下面是一个可复现的 Python 脚本骨架，依赖rosbag、sensor_msgs、numpy。

import rosbag import rospy from sensor_msgs.msg import PointCloud2, PointField import sensor_msgs.point_cloud2 as pc2 import numpy as np import os def make_pointcloud2(points, ring, stamp): msg = PointCloud2() msg.header.stamp = stamp msg.header.frame_id = "velodyne" msg.height = 1 msg.width = points.shape[0] msg.fields = [ PointField('x', 0, PointField.FLOAT32, 1), PointField('y', 4, PointField.FLOAT32, 1), PointField('z', 8, PointField.FLOAT32, 1), PointField('intensity', 12, PointField.FLOAT32, 1), PointField('ring', 16, PointField.UINT16, 1), ] msg.is_bigendian = False msg.point_step = 18 # 4+4+4+4+2 msg.row_step = msg.point_step * msg.width msg.is_dense = True # 按字段打包 buf = [] for i in range(points.shape[0]): buf.append(struct.pack('ffffH', points[i,0], points[i,1], points[i,2], points[i,3], ring[i])) msg.data = b''.join(buf) return msg def convert_drive(drive_path, bag_path): bag = rosbag.Bag(bag_path, 'w') bin_dir = os.path.join(drive_path, 'velodyne_points', 'data') times = [line.strip() for line in open(os.path.join(drive_path, 'velodyne_points', 'timestamps.txt'))] for i, bin_file in enumerate(sorted(os.listdir(bin_dir))): if not bin_file.endswith('.bin'): continue points = np.fromfile(os.path.join(bin_dir, bin_file), dtype=np.float32).reshape(-1, 4) ring = compute_ring(points) # 用 2.1 的最近邻方法 t = rospy.Time.from_sec(float(times[i])) msg = make_pointcloud2(points, ring, t) bag.write('/kitti/velo/pointcloud', msg, t) bag.close()

point_step是 18 字节，因为 x/y/z/intensity 各 4 字节，ring 是 uint16 占 2 字节。struct.pack的格式字符串'ffffH'对应这五个字段。时间戳从timestamps.txt读，KITTI 的时间戳是 UTC 秒数，直接转成rospy.Time就行。写 bag 的时候话题名用/kitti/velo/pointcloud，后面 launch 文件里对应改。

3.2 launch 文件的关键修改

LeGO-LOAM 的run.launch里要改三处：imageProjection的订阅话题、featureAssociation的订阅话题、以及mapOptimization的保存路径。订阅话题改成/kitti/velo/pointcloud，保存路径改成你有写权限的目录。另外imageProjection的useCloudRing参数在utility.h里，改完要catkin_make重新编译。

<launch> <node pkg="lego_loam" type="imageProjection" name="imageProjection" output="screen"> <param name="subscribe_topic" value="/kitti/velo/pointcloud"/> </node> <node pkg="lego_loam" type="featureAssociation" name="featureAssociation" output="screen"> <param name="subscribe_topic" value="/lio_sam/deskew/cloud_deskewed"/> </node> <node pkg="lego_loam" type="mapOptimization" name="mapOptimization" output="screen"> <param name="save_path" value="/home/user/kitti_map/"/> </node> </launch>

featureAssociation订阅的是imageProjection输出的去畸变点云，话题名不用改，除非你在imageProjection里改了发布名。mapOptimization的save_path要提前建好文件夹，否则保存点云的时候会静默失败，这个坑我踩过好几次。

3.3 跑通第一帧的验证方法

启动roslaunch lego_loam run.launch之后，先别急着看建图效果，用rostopic hz /kitti/velo/pointcloud确认点云频率是不是 10Hz。然后用rviz加PointCloud2显示/lio_sam/deskew/cloud_deskewed，看地面分割后的点云是不是只剩地面和少量非地面点。如果地面点几乎没了，说明groundScanInd设小了；如果非地面点里混了大量地面点，说明groundScanInd设大了。调这个参数的时候一次改 2 到 3，别一次跳太多。

另一个验证点是mapOptimization输出的/lio_sam/mapping/odometry，用rostopic echo看位姿的 z 值是不是在 0 附近小幅波动。如果 z 值一直往上飘，说明地面分割没把地面找对，或者外参有旋转。KITTI 的 HDL-64E 安装是水平的，外参旋转基本是单位阵，但如果你的 bag 里 frame_id 和 LeGO-LOAM 期望的不一致，TF 树会出问题，z 就会飘。

4. 避坑与排查：KITTI 适配 LeGO-LOAM 的 5 个血泪教训

4.1 现象：启动后点云不动，rviz 里只有一帧

原因：imageProjection的subscribe_topic没改对，或者 bag 里的话题名和 launch 里不一致。KITTI 转出来的 bag 话题名如果是/kitti/velo/pointcloud，launch 里还是/velodyne_points，节点就收不到数据。解决：rostopic list看实际话题名，rostopic echo确认有数据，再改 launch。

4.2 现象：建图轨迹整体旋转了 90 度

原因：KITTI 的 Velodyne 坐标系和 LeGO-LOAM 期望的坐标系在 y 轴方向有差异。KITTI 的 Velodyne 是 x 向前、y 向左、z 向上，LeGO-LOAM 也是这个约定，但如果你的转换脚本里把 y 和 z 搞反了，或者 bag 的 frame_id 对应的 TF 有旋转，就会整体转。解决：检查转换脚本里points[:, 1]和points[:, 2]有没有写反，检查 TF 树里velodyne到base_link的变换。

4.3 现象：地面分割后地面点大量丢失

原因：groundScanInd设小了。16 线的时候 7 够用，64 线的时候地面扫描线索引要到 20 左右。另外ang_bottom如果还是 15.0，最下面的线会被截掉。解决：把groundScanInd调到 20，ang_bottom调到 24.8，重新编译。

4.4 现象：跑长序列后轨迹漂移严重

原因：KITTI 的 HDL-64E 点云密度比 16 线高很多，featureAssociation里的特征提取阈值没调，导致提取的特征点太多或太少。原版edgeThreshold和surfThreshold是按 16 线调的，64 线要适当调大。解决：把edgeThreshold从 0.1 调到 0.2，surfThreshold从 0.1 调到 0.15，观察特征点数量。

4.5 现象：保存的点云地图是空的

原因：mapOptimization的save_path目录不存在，或者没有写权限。LeGO-LOAM 保存点云的时候如果目录不存在，不会报错，直接静默失败。解决：提前mkdir -p建好目录，确认当前用户有写权限。

5. 进阶：用 KITTI ground truth 定量评估 LeGO-LOAM 轨迹

跑通只是第一步，真正要判断适配得好不好，得拿 KITTI 的 ground truth 做定量评估。KITTI odometry benchmark 的 poses 文件是 3x4 矩阵，每行一个位姿，从相机坐标系出发。评估的时候要把 LeGO-LOAM 输出的雷达位姿和 ground truth 对齐到同一坐标系，然后算绝对轨迹误差（ATE）和相对位姿误差（RPE）。

我一般用 evo 这个工具，先把 LeGO-LOAM 的/lio_sam/mapping/odometry录成 bag 或者存成 TUM 格式，再把 KITTI 的 poses 转成 TUM 格式。转换的时候注意 KITTI 的 poses 是相机坐标系，要左乘一个雷达到相机的外参矩阵。这个外参在 KITTI 的 calib 文件里有，通常是R|t的形式。

import numpy as np # KITTI 相机到雷达的外参，从 calib 文件读 T_cam_velo = np.array([...]) # 4x4 T_velo_cam = np.linalg.inv(T_cam_velo) def kitti_poses_to_tum(poses_path, tum_path): poses = np.loadtxt(poses_path).reshape(-1, 3, 4) with open(tum_path, 'w') as f: for i, pose in enumerate(poses): T = np.eye(4) T[:3, :4] = pose T_velo = T_velo_cam @ T @ T_cam_velo # 转到雷达坐标系 t = T_velo[:3, 3] q = rotation_matrix_to_quaternion(T_velo[:3, :3]) f.write(f"{i*0.1:.6f} {t[0]:.6f} {t[1]:.6f} {t[2]:.6f} " f"{q[0]:.6f} {q[1]:.6f} {q[2]:.6f} {q[3]:.6f}\n")

时间戳按 10Hz 算，每帧间隔 0.1 秒。四元数转换用scipy.spatial.transform.Rotation就行，不用自己写。转完之后用evo_ape tum ground_truth.txt lego_loam.txt -va --plot看 ATE，KITTI 00 序列上调好的 LeGO-LOAM 大概能到 1% 到 2% 的漂移，比原版 16 线配置好不少，但比 LOAM 原版还是差一点，因为 LeGO-LOAM 的地面分割在 64 线上会丢掉一些地面特征。

评估的时候有个细节：LeGO-LOAM 输出的第一帧位姿是单位阵，ground truth 的第一帧也是单位阵，但两者的时间戳起点可能差几帧。用 evo 的时候加--t_max_diff 0.02做时间对齐，不然会对不上。另外 KITTI 的 00 序列有闭环，LeGO-LOAM 没有闭环检测，所以 ATE 会随着距离累积，这是算法本身的限制，不是适配的问题。

我自己的习惯是每次改完参数先跑 00 序列的前 500 帧，看 ATE 有没有下降，再跑全长。这样迭代快，不用每次等完整序列跑完。调参的时候一次只改一个，改完记录 ATE，不然出了问题不知道是哪个参数导致的。希望帮到你。

本文还有配套的精品资源，点击获取