1. 项目概述从零开始复现FAST-LIO2与Mid-360的SLAM系统最近在折腾Livox Mid-360这款固态激光雷达目标是在Ubuntu系统上完整复现FAST-LIO2这套目前公认效率极高的激光惯性里程计。这不仅仅是跑通一个Demo而是想深入理解从雷达驱动、外参标定、算法适配到实际建图的全链路。Mid-360作为一款非重复扫描模式的固态雷达其数据特性与传统的机械旋转雷达有很大不同而FAST-LIO2算法恰好针对Livox雷达和IMU的紧耦合优化做了专门设计两者结合能实现低计算资源消耗下的高精度实时定位与建图非常适合嵌入式平台或移动机器人。如果你手头正好有Mid-360或者对如何将一款新型传感器融入一个成熟的SLAM框架感兴趣那么这次从驱动安装、环境配置、参数调试到实战建图的完整过程记录应该能帮你避开不少坑。整个复现过程可以拆解为几个核心环节首先是搭建基础的Linux与ROS环境其次是搞定Mid-360的驱动和数据输出这是所有工作的基础然后需要标定雷达与IMU之间的关键外参特别是当雷达非水平安装时接着是编译和运行FAST-LIO2算法包最后才是实际的建图测试与参数微调。每个环节都有需要注意的细节比如依赖库的版本冲突、雷达IP地址的设置、外参标定文件的格式、算法参数与雷达扫描模式的匹配等。我会结合自己的实操经验把每个步骤的“为什么”和“怎么做”都讲清楚。2. 硬件与软件环境准备2.1 硬件清单与连接要点复现的第一步是准备好硬件并确保它们正确连接。核心硬件包括Livox Mid-360激光雷达、一台运行Linux的机载电脑如Jetson系列、Intel NUC或带i3-N305的工控机、以及一个提供IMU数据的载体通常是内置IMU的机器人底盘或独立的惯性测量单元。Mid-360通过一根一分三的航空线缆供电和通信其中网线接口用于数据传输。注意务必使用雷达原厂提供的线缆。连接时确保网线一端牢固插入Mid-360的航空头另一端接入机载电脑的以太网口。供电部分同样重要需使用配套的电源适配器保证电压电流稳定避免因供电不足导致雷达点云异常或频繁重启。我的测试平台是一台搭载Ubuntu 20.04.6 LTS的迷你PC处理器是Intel i3-N305。选择Ubuntu 20.04主要是因为其ROS Noetic版本拥有最广泛的社区支持和软件包兼容性这对于减少环境配置冲突至关重要。机载电脑与雷达之间通过千兆以太网直连省去了交换机的麻烦但需要手动配置电脑的IP地址。2.2 软件基础环境搭建软件环境是项目的地基必须打得牢固。首先是操作系统我强烈推荐使用Ubuntu 20.04的官方镜像进行全新安装避免使用其他衍生版本可能带来的未知问题。安装完成后第一步是更换软件源为国内镜像如阿里云、清华源这能极大提升后续安装包的速度。接下来是安装ROS Noetic。ROS是机器人领域的“操作系统”FAST-LIO2以及大多数雷达驱动都基于ROS进行消息通信。通过官方提供的安装脚本可以完成ROS Noetic桌面完整版的安装。安装后别忘了初始化rosdep并设置环境变量通常我们会将source /opt/ros/noetic/setup.bash这行命令添加到~/.bashrc文件中这样每次打开终端都会自动配置好ROS环境。除了ROS还需要安装一些通用的开发工具和依赖库sudo apt-get update sudo apt-get install -y git cmake build-essential libeigen3-dev libpcl-dev python3-catkin-tools其中git用于克隆代码cmake和build-essential是编译工具链libeigen3-dev是FAST-LIO2依赖的线性代数库libpcl-dev是点云库。这些是基础依赖后续在安装具体驱动和算法时可能还需要其他特定的库。3. Mid-360雷达驱动安装与数据发布3.1 驱动源码获取与编译Mid-360的官方驱动由Livox SDK和Livox ROS Driver两部分组成。Livox SDK是底层C库负责与雷达硬件通信Livox ROS Driver则是一个ROS功能包将SDK的数据封装成标准的ROS点云消息sensor_msgs/PointCloud2发布出来。首先在工作空间例如~/catkin_ws的src目录下克隆这两个仓库cd ~/catkin_ws/src git clone https://github.com/Livox-SDK/Livox-SDK2.git git clone https://github.com/Livox-SDK/livox_ros_driver2.git这里必须使用Livox-SDK2和livox_ros_driver2它们是针对Mid-360等新一代Livox雷达的版本与旧版驱动不兼容。克隆完成后需要先编译Livox SDK2。因为它是一个独立的CMake项目而不是ROS包cd ~/catkin_ws/src/Livox-SDK2 mkdir build cd build cmake .. make sudo make install这一步会将SDK的头文件和库文件安装到系统目录通常是/usr/local这样后续编译ROS驱动时才能找到它们。3.2 网络配置与驱动启动由于Mid-360通过网线直连电脑我们需要将电脑的有线网卡配置成一个与雷达默认IP在同一网段的静态IP。Livox Mid-360的默认IP地址是192.168.1.50。因此我们将电脑的IP设置为192.168.1.100子网掩码255.255.255.0。在Ubuntu 20.04中可以通过图形化网络设置或修改/etc/netplan/下的配置文件来完成。设置完成后使用ping 192.168.1.50命令测试与雷达的连通性。如果ping通说明硬件连接和网络配置成功。接下来编译ROS驱动。回到工作空间根目录使用catkin_make进行编译cd ~/catkin_ws catkin_make -j$(nproc)编译成功后需要激活当前工作空间的环境source devel/setup.bash。同样建议将这行命令也加入~/.bashrc方便后续使用。启动驱动前需要根据实际情况修改ROS驱动包中的配置文件。关键文件是livox_ros_driver2/config/MID360_config.json。这个JSON文件定义了雷达的参数和ROS话题的发布设置。通常我们需要关注以下几个参数ip雷达的IP保持默认192.168.1.50。publish_freq点云发布频率单位Hz。Mid-360最高支持20Hz可根据计算资源调整10Hz或20Hz是常用值。pointcloud_topic发布点云数据的话题名默认是/livox/lidar。imu_topic发布IMU数据的话题名默认是/livox/imu。这里非常重要Mid-360内置了一个6轴IMU驱动会同时发布点云和IMU数据。FAST-LIO2正是需要同步的/livox/imu话题。配置文件修改无误后就可以启动驱动了roslaunch livox_ros_driver2 msg_MID360.launch如果一切正常你应该能在终端看到连接成功的日志信息。此时可以通过rostopic list命令查看到/livox/lidar和/livox/imu这两个话题。使用rviz工具添加一个PointCloud2显示并将话题指定为/livox/lidar就能实时看到雷达扫描的三维点云了。这是验证驱动是否正常工作的最直观方式。4. 雷达与IMU外参标定4.1 外参标定的必要性与原理外参标定简单说就是精确测量出雷达坐标系与IMU坐标系之间的相对位置和姿态关系。这是一个刚体变换通常用一个3x3的旋转矩阵R和一个3x1的平移向量t来表示。为什么这一步至关重要因为FAST-LIO2是一个紧耦合的激光-惯性里程计它需要将激光雷达扫描到的每一个点根据雷达与IMU的外参以及IMU测量的机体运动统一转换到同一个世界坐标系下进行优化计算。如果外参不准确就像用一把刻度歪斜的尺子去测量即使IMU和雷达数据本身再精确最终融合出的轨迹和地图也会产生累积误差导致建图扭曲或定位漂移。对于Mid-360情况稍微特殊一些。其内置的IMU与雷达的物理相对位置在出厂时是固定的。Livox官方会提供一个名义外参Nominal Extrinsic这个参数是理论设计值。然而由于装配公差名义外参与实际物理外参之间存在微小偏差。更重要的是在实际应用中我们很可能不会将雷达水平正装。为了获得更好的视野常见的做法是将雷达倾斜甚至倒装。这种“斜装”或“倒装”改变了雷达坐标系与IMU坐标系通常IMU坐标系与机体坐标系对齐之间的实际旋转关系。因此即使使用官方名义外参也需要根据实际的安装角度进行调整或者重新进行标定。4.2 标定实战工具选择与操作流程标定方法主要分两种基于目标物的离线标定和基于运动的在线标定。对于Mid-360与内置IMU的标定由于两者刚性连接且距离很近采用基于运动的在线标定方法更为方便实用。这里我推荐使用开源工具lidar_imu_calib或者FAST-LIO2项目自带的标定功能。我使用的是FAST-LIO2内置的标定方法因为它与算法本身结合更紧密。其原理是让搭载雷达的设备在三维空间中进行充分激励的运动例如缓慢地绕三个轴旋转、平移同时录制点云和IMU数据。算法会分析运动过程中点云特征点的变化与IMU积分的运动之间的关系从而反解出最优的外参。具体操作步骤如下启动雷达驱动确保/livox/lidar和/livox/imu话题正常发布。启动FAST-LIO2的标定节点在FAST-LIO2的launch文件中有一个专门用于标定的配置。通常需要设置参数publish_extrinsic为true并可能启用标定模式。数据录制使用rosbag record命令录制话题。至少需要录制包含/livox/lidar和/livox/imu的数据。rosbag record -O calibration.bag /livox/lidar /livox/imu在录制过程中手持或移动设备做出充分的“画8字”、旋转、前后左右移动等动作持续约1-2分钟。运动需要平稳而充分确保IMU能感知到各个方向的角速度和线性加速度。运行标定程序使用录制的bag包运行FAST-LIO2的离线标定工具。这个工具会读取bag数据输出优化后的外参矩阵。输出结果通常是一个4x4的齐次变换矩阵或者旋转矩阵R和平移向量t。外参文件配置将标定得到的R和t写入FAST-LIO2的配置文件中。FAST-LIO2的外参配置文件通常是YAML格式例如extrinsicRot: [ 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0 ] extrinsicTrans: [0.0, 0.0, 0.0]你需要将标定得到的数值替换这里的单位矩阵和零向量。特别注意这个外参定义的是从IMU坐标系到雷达坐标系的变换。即一个在IMU坐标系下的点P_imu通过P_lidar R * P_imu t转换到雷达坐标系。一定要弄清楚你使用的标定工具输出的外参是I2LIMU to Lidar还是L2I方向弄反会导致灾难性后果。实操心得对于倒装雷达朝下通常意味着绕X轴或Y轴旋转了180度。你可以先用名义外参然后在名义外参的旋转矩阵基础上左乘或右乘一个180度的旋转矩阵进行修正。更稳妥的做法还是进行实际标定。标定时环境最好有丰富的、静态的几何特征如墙角、桌沿这样点云特征更明显标定结果更可靠。5. FAST-LIO2算法部署与配置详解5.1 源码编译与依赖检查FAST-LIO2的源码托管在GitHub上。获取并编译的步骤相对标准但有一些依赖需要特别注意。cd ~/catkin_ws/src git clone https://github.com/hku-mars/FAST_LIO.git注意项目名称是FAST_LIO但里面包含了FAST-LIO2的代码。进入仓库后需要检查并安装其依赖。除了之前安装的Eigen和PCLFAST-LIO2还强烈依赖libompOpenMP库用于并行加速和livox_ros_driver2我们已安装。编译过程可能会遇到的问题之一是PCL的版本。Ubuntu 20.04默认安装的PCL版本是1.10。FAST-LIO2代码中可能使用了某些特性需要确保PCL安装完整。如果编译时遇到关于pcl::PointCloud等错误可以尝试安装PCL的开发者版本sudo apt-get install -y libpcl-dev libproj-dev然后在工作空间目录下进行编译cd ~/catkin_ws catkin_make -j$(nproc)编译成功后你就得到了fast_lio、fast_lio_mapping等可执行节点。5.2 核心参数配置文件解析FAST-LIO2的性能高度依赖于参数配置。其参数文件通常位于~/catkin_ws/src/FAST_LIO/config/目录下有多个YAML文件对应不同的雷达型号例如mid360.yaml或avia.yaml。我们需要根据Mid-360的特性来修改或创建一个专属的配置文件。下面我以一个典型的mid360_config.yaml为例拆解关键参数common: lid_topic: /livox/lidar # 点云话题与驱动发布的一致 imu_topic: /livox/imu # IMU话题与驱动发布的一致 time_sync_en: false # 是否启用硬件时间同步。如果雷达和IMU时间已同步可设为true通常bag播放时设为false。 time_offset_lidar_to_imu: 0.0 # 雷达与IMU的时间偏移量单位秒。需要精确标定初步使用可设为0。 preprocess: lidar_type: 3 # 激光雷达类型。3代表Livox雷达。 point_filter_num: 1 # 点云降采样频率。1表示使用每个点2表示每隔一个点取一个。Mid-360点数多建议设为2或3以降低计算量。 feature_enabled: false # 是否使用特征点。对于Livox雷达通常设为false使用全部点云。 blind: 0.5 # 盲区半径单位米。忽略距离雷达中心此半径内的点通常是雷达支架造成的遮挡。 mapping: acc_cov: 0.01 # 加速度计测量噪声协方差。影响IMU权重值越大信任度越低。默认即可。 gyr_cov: 0.01 # 陀螺仪测量噪声协方差。 b_acc_cov: 0.0001 # 加速度计零偏随机游走噪声协方差。 b_gyr_cov: 0.0001 # 陀螺仪零偏随机游走噪声协方差。 extrinsic_est_en: false # 是否在线估计外参。如果外参已标定好设为false设为true可在运行中微调。 extrinsic_T: [0.0, 0.0, 0.0] # 雷达相对于IMU的平移外参单位米。填入标定得到的值。 extrinsic_R: [1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0] # 雷达相对于IMU的旋转外参行优先。填入标定得到的值。 publish: publish_odometry_without_downsample: true # 是否发布未经下采样的高频里程计。 publish_path: true # 是否发布轨迹路径用于在Rviz中显示。参数调整心得lidar_type必须设置为3Livox这决定了算法内部处理点云去畸变的方式适配Mid-360的非重复扫描模式。point_filter_num这是平衡精度和计算负载的关键。Mid-360在10Hz下每秒约产生10万个点。在资源有限的设备上如Jetson将其设置为3或4能显著提升运行频率避免掉帧。blind设置一个合理的盲区如0.3-0.5米可以过滤掉雷达自身和近处支架产生的无效点云减少干扰。extrinsic_est_en初次运行且外参不确定时可以设为true让算法在线优化。但一旦得到稳定值建议改回false并使用固定值以保证系统一致性。6. 运行建图与结果分析6.1 启动流程与实时监控当驱动、外参、算法都准备就绪后就可以启动完整的SLAM流程了。建议按照以下顺序启动节点启动雷达驱动在一个终端source ~/catkin_ws/devel/setup.bash roslaunch livox_ros_driver2 msg_MID360.launch启动FAST-LIO2在另一个终端source ~/catkin_ws/devel/setup.bash roslaunch fast_lio mapping_mid360.launch这里的mapping_mid360.launch是一个自定义的launch文件它内部会加载我们之前配置好的mid360_config.yaml参数文件。启动后关注终端的输出信息。正常的日志会显示初始化成功、接收到点云和IMU数据、以及开始迭代更新的信息。你可以通过rostopic hz /livox/lidar和rostopic hz /Odometry来查看点云输入和里程计输出的频率是否正常。6.2 使用Rviz进行可视化可视化是调试和验证结果的关键。启动Rvizrosrun rviz rviz在Rviz中你需要添加并配置几个重要的显示项PointCloud2将Topic设置为/cloud_registered。这是FAST-LIO2处理并映射到世界坐标系下的当前帧点云。通过调整颜色通道如Axis Color或Intensity和点云大小可以更清晰地观察环境结构。Path将Topic设置为/path。这会显示算法估计的机器人运动轨迹。一条平滑、闭合的轨迹是建图成功的重要标志。TF启用TF显示可以查看坐标系之间的变换关系特别是map、odom、body或imu坐标系是否正常发布。现在移动搭载Mid-360的设备。你应该能在Rviz中看到实时更新的、拼接在一起的点云地图以及一条不断延长的轨迹。尝试在室内环境如办公室、走廊缓慢行走观察地图的构建质量。一个好的建图结果应该是墙面笔直、地面平整、角落清晰当走回起点时轨迹应该大致闭合点云地图能无缝对齐。6.3 地图保存与后期处理FAST-LIO2在运行过程中构建的地图是增量式保存在内存中的。当建图完成后我们需要将其保存到硬盘以便后续使用。FAST-LIO2提供了保存地图的服务Service。首先确保建图节点仍在运行。然后在另一个终端调用保存地图的服务rosservice call /save_map或者如果服务名称不同可以使用rosservice list查看所有服务找到类似/fast_lio/save_map的服务名。调用服务后终端会提示保存成功并显示保存路径。默认情况下地图会以.pcd格式保存在FAST_LIO包的根目录下文件名包含时间戳。保存的.pcd文件可以使用pcl_viewer工具查看也可以导入到CloudCompare、MeshLab等点云处理软件中进行进一步分析、去噪或生成网格模型。7. 常见问题排查与性能优化实录7.1 典型问题与解决方案在实际复现过程中几乎一定会遇到各种问题。下面是我踩过的一些坑及其解决方法问题现象可能原因排查步骤与解决方案启动驱动后rostopic list看不到/livox/imu话题1. 雷达IP配置错误。2. 驱动编译时未正确链接Livox SDK。3. 雷达固件版本与驱动不兼容。1. 用ifconfig确认电脑IP用ping 192.168.1.50确认雷达连通性。2. 检查编译驱动时是否有关于LivoxSDK的报错重新执行sudo make install安装SDK。3. 查阅Livox官方文档升级雷达固件或驱动版本。FAST-LIO2启动后立即崩溃或报错1. 参数文件路径错误或格式有误。2. 外参矩阵维度或数值错误。3.PCL或Eigen库版本冲突。1. 检查launch文件中config_file参数指向的YAML文件路径是否正确并用yamllint检查YAML格式。2. 确认extrinsic_R是9个数字的行优先矩阵extrinsic_T是3个数字的平移向量。可暂时将其设为单位矩阵和零向量测试。3. 确认安装的libpcl-dev和libeigen3-dev版本。尝试在CMakeLists.txt中指定find_package的版本号。Rviz中点云地图严重重影或拖尾1. 雷达与IMU外参严重不准。2. IMU话题数据异常或频率过低。3.time_sync_en和time_offset_lidar_to_imu参数设置错误。1. 重新进行外参标定特别是检查雷达是否斜/倒装但外参仍用水平安装的值。2. 用rostopic hz /livox/imu检查IMU发布频率应≥100Hz。用rostopic echo /livox/imu查看数据是否全为零或异常。3. 如果雷达和IMU时间未严格同步确保time_sync_en: false。尝试微调time_offset_lidar_to_imu如0.0001秒量级。建图轨迹漂移走不回来1. 运动激励不足IMU零偏估计不准。2.point_filter_num设置过大特征点太少。3. 环境特征过于单一如长走廊。1. 在初始化阶段让设备在原地进行多轴旋转帮助算法估计IMU零偏。2. 适当减小point_filter_num使用更多的点云参与计算但需权衡计算量。3. 尝试在特征丰富的区域运行或融合其他传感器但FAST-LIO2纯Lidar-IMU模式下对此敏感度较高。算法运行频率很低 5Hz1. 点云数据量过大point_filter_num设置过小。2. 计算机算力不足。3. 未启用OpenMP并行。1. 逐步增大point_filter_num如从1调到3或4观察频率变化。2. 使用htop命令监控CPU占用。考虑升级硬件或在参数中启用max_iteration限制迭代次数。3. 编译时确认OpenMP已启用运行时可通过环境变量OMP_NUM_THREADS设置线程数。7.2 性能优化与进阶调试当系统能稳定运行后可以进一步进行优化以获得更好的精度或效率。计算性能优化调节降采样参数point_filter_num是最有效的杠杆。在资源受限的平台上优先保证实时性10Hz以上适当牺牲一些点云密度。使用IMU预测FAST-LIO2的prop_at_freq_of_imu参数如果设为true会以IMU频率进行状态预测和传播能提供更高频率的里程计输出但计算量稍增。地图管理FAST-LIO2默认使用ikd-tree管理全局地图。对于大场景可以关注参数cube_side_length地图局部区域边长和det_range当前帧关联地图的范围避免维护过于庞大的树结构。精度提升技巧精细标定花时间进行高质量的外参标定。在标定数据录制时运动要慢且平稳避免剧烈晃动导致点云模糊和IMU饱和。时间偏移校准如果雷达和IMU的时间戳来自不同的时钟源可能存在微小的固定延迟。可以通过录制一段包含快速旋转和急停的数据包然后离线调整time_offset_lidar_to_imu参数观察轨迹闭合程度寻找最优值。环境适应性在玻璃、镜面或纯白墙较多的环境中激光雷达会失效。FAST-LIO2的blind参数可以过滤掉一些噪点但本质上仍需避免此类环境或引入其他传感器。关于Mid-360斜装/倒装的特别处理 这是Mid-360使用中的一个高频问题。如果你确定雷达是倒装镜头朝下而IMU坐标系是朝上的那么两者之间的旋转关系可以近似认为是绕X轴旋转180度。这意味着在名义外参假设是单位矩阵的基础上需要左乘一个Rx(180°)的旋转矩阵。在YAML文件中extrinsic_R可能需要设置为[1, 0, 0, 0, -1, 0, 0, 0, -1]具体取决于你的坐标系定义。最根本的解决方案仍然是使用第4节所述的方法在实际安装姿态下进行一次数据标定让算法自己算出这个旋转矩阵这比手动计算更可靠。整个复现过程从环境搭建到成功建图是一个典型的“系统工程”。它要求你对Linux操作、ROS通信、传感器原理和状态估计算法都有基本的了解。最大的挑战往往不是算法本身而是环境配置、参数理解和多模块联调。我的体会是耐心和细致的记录至关重要。每做一步修改都记录下现象每解决一个问题都总结下原因。这样积累下来的经验才是真正属于你的、能应对未来更多复杂场景的宝贵财富。最后建议在一切调通之后用rosbag录制一段高质量的数据包这将成为你后续算法对比、参数复现和问题回溯的黄金标准。