1. 项目概述与核心思路拆解1.1 为什么偏偏选FAST_LIO做室内建图先交代一下背景。我自己是做移动机器人感知方向的室内场景的建图需求一直很刚。手头有一套16线激光雷达刚开始用的是传统LOAM那一套跑室外还行一进室内就出问题点云畸变、退化场景漂移、CPU占用居高不下调参调到怀疑人生。后来把目光放到FAST_LIO上去年花了大概一周时间从零开始配置环境、编译源码、折腾数据集最后在室内走廊和实验室场景跑出了比较干净的建图结果。这篇文章就把完整的流程写出来包括我踩过的坑和最后沉淀下来的一套可复现操作方案给准备入门或者正在折腾FAST_LIO的朋友一个参考。FAST_LIO全称是Fast LiDAR-Inertial Odometry核心思路就是紧耦合的激光-惯性里程计。它把IMU的预积分结果和激光雷达的点云配准放在一个迭代卡尔曼滤波器框架里做前端用的是IKFOM迭代误差状态卡尔曼滤波器也就是说IMU负责高频的状态预测激光点云负责修正累积误差。相比LOAM那套松耦合方案FAST_LIO在退化场景和快速运动场景下的鲁棒性明显更强而且计算开销小在Jetson Xavier这种嵌入式板子上也能跑得动。室内场景恰恰是FAST_LIO发挥优势的地方。室内走廊、小房间这种环境几何结构单一纯LiDAR的配准很容易退化但加了IMU约束之后位置估计基本不会飘。还有一个实际收益——FAST_LIO不依赖GPS室内完全可用。1.2 室内建图的需求拆解与整体技术选型在动手之前我先把整个流程拆成了四个环节环境配置、源码编译、数据集准备、建图运行与调优。每个环节都有各自的坑四个环节串起来才算完整跑通。在整体选型上我的配置如下组件选择备注操作系统Ubuntu 18.04 / 20.04均可实测20.04更省心ROS版本Melodic / Noetic与Ubuntu版本对应激光雷达驱动自带rosbag数据集室内场景无需实时传感器IMU数据数据集内置一般100Hz200Hz编译工具链catkin_make 或 catkin build建议catkin_make问题少核心依赖PCL 1.8、Eigen 3.3、livox_ros_driver按需安装这里多说一句选型逻辑。FAST_LIO官方仓库对livox雷达支持最完善但代码本身依赖的是通用LiDAR-Inertial框架所以只要是16线、32线这类机械雷达配一个能发布标准/livox/lidar或者/points_raw话题的驱动都可以套进来。我实际用的是其他品牌16线雷达的数据集在源码里做了少量适配后就能正常跑。2. 环境配置与依赖安装全记录2.1 Ubuntu与ROS版本选择先解决最基础的系统环境。FAST_LIO官方建议Ubuntu 18.04 ROS Melodic但我实测在Ubuntu 20.04 ROS Noetic上编译运行也完全没问题。如果你手头有现成的20.04环境不用专门为了这个项目重装系统。不过有个细节要注意Ubuntu 22.04 ROS 2的兼容性相对麻烦一些FAST_LIO主要面向ROS 1开发如果你没有特殊理由建议老老实实用20.04 Noetic网上资料最全遇到问题也好搜。ROS安装本身不复杂国内建议走清华或中科大的镜像源速度会快很多。装完记得初始化sudo apt install ros-noetic-desktop-full sudo rosdep init rosdep updaterosdep如果卡住手动在/etc/ros/rosdep/sources.list.d/下建一个20-default.list文件指向raw.githubusercontent.com的源即可。2.2 核心依赖库的安装与版本坑FAST_LIO对依赖库的要求其实不高PCL、Eigen基本系统自带或者一行命令就能装sudo apt install libpcl-dev libeigen3-dev但有几个坑我在这里提前说清楚第一Eigen必须是3.3.x以上。Ubuntu 18.04自带的Eigen 3.3.4没问题Ubuntu 20.04自带3.3.7也行。如果你的系统版本偏老编译时会报Eigen/Dense: No such file or directory之类错误这时候别急着怀疑路径先查版本pkg-config --modversion eigen3第二PCL的版本兼容性。FAST_LIO源码里用了PCL的点云类型转换和KD-tree模块PCL 1.8到1.12我都测过都能过。唯一需要注意的是如果你在编译时遇到no matching function for call to ‘pcl::PointCloud...::resize’这类报错十有八九是PCL版本和代码预期不一致优先考虑更新PCL版本而不是改源码。第三livox_ros_driver这个依赖有点特殊。FAST_LIO的CMakeLists.txt里会直接找livox_ros_driver的包如果你手里是机械雷达理论上不需要装但编译时会有find_package(livox_ros_driver)步骤所以还是建议把驱动也拉到工作空间里一起编译省得报错。2.3 工作空间创建与编译环境梳理等依赖全部就位创建工作空间mkdir -p ~/fastlio_ws/src cd ~/fastlio_ws/src catkin_init_workspace cd ~/fastlio_ws catkin_make这一步目的就是先让工作空间“空转”一遍确认catkin环境本身没问题。很多新手一上来就直接拉源码编译结果编译报错了分不清是依赖问题还是源码问题排错效率很低。我习惯先跑一个空编译再往src里放代码这样后期定位问题快。环境变量也要在~/.bashrc里加一行source ~/fastlio_ws/devel/setup.bash这样每次开终端都不用手动source。3. FAST_LIO源码编译实战3.1 源码拉取与工程结构分析源码直接用git拉取cd ~/fastlio_ws/src git clone https://github.com/hku-mars/FAST_LIO.git拉下来之后先别急着编译我建议花十分钟把工程结构过一遍。FAST_LIO的代码量不算大核心目录就几个include/头文件封装了IKFOM、点云处理等关键数据结构src/主程序入口和核心算法实现config/不同传感器配置的yaml参数文件launch/启动文件结合rosbag回放config文件夹里默认提供了livox_avia等雷达的示例配置。如果你是机械雷达需要新建一个自己的配置文件核心差异在点云话题名和IMU内外参标定结果上。这里建议先用官方自带的示例配置跑通编译再去改参数不要在第一步就引入太多变量。3.2 编译过程与CMakeLists排错源码放好后在src/FAST_LIO目录下需要先处理一下livox驱动的问题。因为我的工作空间里没有livox_ros_driver直接编译会报Could not find a package configuration file provided by livox_ros_driver解决办法有两个。一是把livox_ros_driver也克隆进来一起编译cd ~/fastlio_ws/src git clone https://github.com/Livox-SDK/livox_ros_driver.git cd ~/fastlio_ws catkin_make二是修改FAST_LIO的CMakeLists.txt注释掉livox相关的依赖。但我不建议这么做因为后续如果换用Livox雷达还得改回来不如一次到位。正常编译的话在~/fastlio_ws下执行catkin_make过程大概两三分钟终端会刷很多编译信息。编译成功的标志是在devel/lib/下能看到fastlio_mapping这个可执行文件。如果编译过程中出现内存不足的问题可以在catkin_make前加一句export ROS_PARALLEL_JOBS-j2限制编译进程数避免物理内存被打满导致卡死或假死。3.3 编译之后的快速自检方法编译过了不代表一定能跑通我习惯在run之前先做两个快速检查。第一检查动态链接库ldd devel/lib/fastlio_mapping | grep not found如果输出为空说明依赖库都正常。有not found的话通常是PCL或Boost版本问题优先用apt install libpcl-dev补装。第二直接无参数运行可执行文件看是否报错./devel/lib/fastlio_mapping此时应该会提示Usage: fastlio_mapping path_to_config_file之类的参数缺失信息。能走到这一步说明程序本体没有问题可以进入数据集环节了。4. 数据集准备与格式适配4.1 数据集来源与下载渠道FAST_LIO的室内建图最好找一段同时包含激光点云和IMU数据的rosbag。这里分享几个我实测可用的渠道FAST_LIO官方仓库的doc目录下提供了演示数据的下载链接里面有室内走廊场景最适合第一次跑通全流程。开源数据集平台如OpenLORIS、KAIST数据集有部分室内LiDARIMU sequence格式多为rosbag或hdf5需要自行转换。网站上也有不少搬运的rosbag注意看数据的时间戳是否连续、话题是否齐全。数据集下载到位之后先解压确认后缀是.bag或者.bag.active。如果遇到.bag.active说明bag在录制过程中没有正常关闭要用下面命令修复rosbag reindex xxx.bag.active rosbag fix xxx.bag.active fixed.bag这个坑我踩过一次下载了一天的数据集结果一播放就崩溃最后发现是录制异常导致。4.2 话题名称与时间戳对齐检查拿到bag后第一件事不是急着跑算法而是先看话题和频率rosbag info your_data.bag重点确认三件事激光雷达点云话题名是什么/livox/lidar还是/velodyne_points还是自定义名称IMU话题名和频率一般100Hz200Hz低于50Hz会影响效果时间戳是否连续、是否有明显跳变确认之后再去改FAST_LIO的配置文件。这里给的示例配置中默认读取的话题是/livox/lidar和/imu/data如果你的bag话题名不一样直接改yamlcommon: lid_topic: /your_lidar_topic imu_topic: /your_imu_topic注意IMU话题通常不止一个要选频率高且噪声小的那个。部分数据集同时发布/imu/data和/imu/data_raw后者通常是未经滤波的原始数据实测下来FAST_LIO对这两者都能处理但用data_raw往往效果更好因为滤波会引入滞后。4.3 机械雷达的点云适配技巧如果你用的是机械雷达数据集比如Velodyne VLP-16还需要处理点云类型问题。FAST_LIO原生适配livox雷达的livox_ros_driver/CustomMsg格式对标准sensor_msgs/PointCloud2反而需要做额外适配。这里有两条路路线一写一个rePublisher节点把PointCloud2转成livox的CustomMsg格式。工作量不小但能最大程度复用原生代码。路线二改FAST_LIO源码在laserMapping.cpp的cloud_handler回调里同时兼容两种消息类型。简单说就是在回调函数里加一个判断如果消息类型是PointCloud2直接做一次fromROSMsg转换后再走后续流程。我自己用的是路线二改动量大约二三十行代码核心逻辑就是给StandardCloudHandler增加一个PointCloud2回调分支内部复用现有的process逻辑。这样机械雷达数据就能无缝塞进FAST_LIO。如果你对C不熟就先用官方数据集跑通后期再折腾适配。4.4 数据集播放的频率控制数据集播放这个细节很少有人专门讲但实际影响挺大。正常rosbag播放是均匀速度rosbag play your_data.bag但如果你电脑性能一般建议用-r 0.5减慢播放速度给算法留足计算时间rosbag play -r 0.5 your_data.bag否则会出现“算法处理速度跟不上数据进入速度”的情况建图轨迹会明显漂移。另外建议加--clock参数把bag的时间作为ROS系统时间发布保证TF和时间戳一致rosbag play --clock your_data.bag5. 室内建图运行与参数调优实战5.1 启动FAST_LIO的完整流程一切就绪后开三个终端分别运行终端一启动核心建图节点source ~/fastlio_ws/devel/setup.bash roslaunch fastlio_mapping mapping.launch终端二启动Rviz可视化rosrun rviz rviz -d src/FAST_LIO/rviz/fastlio_mapping.rviz终端三回放数据rosbag play --clock your_data.bag这里的启动顺序是固定的。先启动建图节点让它处于“等待话题”状态再启动Rviz避免画面加载不完整最后才播放bag。如果先播bag算法可能会丢失开头的部分点云造成初始位置估计不准。Rviz里如果看到点云和机器人模型在移动地图在逐步叠加说明已经跑起来了。5.2 室内建图的核心参数解读跑通第一遍之后就该看参数了。FAST_LIO的yaml配置文件里有几个参数对室内建图效果影响极大参数名作用室内场景建议filter_size_surf面特征体素滤波尺寸0.20.4越小细节越丰富但越慢filter_size_map全局地图体素滤波尺寸0.5左右太小会导致地图臃肿imu_enableIMU融合开关true关闭后几乎必飘extrinsic_*IMU到LiDAR的外参必须准确标定gravien重力大小默认9.81一般不用动filter_size_surf是最值得调的参数。室内环境特征本来就少如果体素滤波尺寸设置得太大很多墙面细节会被抹掉配准精度直接下降。但设得太小点云数量暴增实时性又跟不上。我的做法是先用0.3跑一遍看CPU占用和地图效果再微调。外参extrinsic_*是另一个大坑。很多数据集发布时不会标定IMU跟LiDAR之间的外参直接沿用默认参数可能导致建图发散。如果打开Rviz发现轨迹明显偏转十有八九是外参不对。可以先用官方标定工具重新算一下或者调小外参初值的影响范围。5.3 室内退化场景下的实战调优室内建图最常见的失败场景是长走廊。走廊方向两边都是平行墙面激光点云在走廊方向上的约束很弱如果没有IMU辅助位置估计会慢慢漂移。FAST_LIO官方对这个问题提供了一个思路调整DEGRADE退化检测相关参数。在laserMapping.cpp里有一部分逻辑会检测退化方向并通过IMU约束来兜底。实际使用中如果发现走廊段有明显漂移优先检查IMU频率是否够高其次调整点云畸变补偿的强度。另外还有一个实用技巧把室内建图分成“子地图拼接”来做。FAST_LIO自带全局地图但长时间在室内跑地图会越来越大实时性也会下降。我的习惯是一次bag只建一段地图然后保存再换bag继续建后期用点云配准工具拼起来。这样既避免了长时运行的累积漂移也更容易定位到问题段。地图保存命令rosservice call /cloud_registered {}这个service会把当前地图保存成pcd文件路径在launch文件里配置的save_path目录下。5.4 试一试不同的启动文件与配置模板FAST_LIO的launch目录下默认只有livox相关的启动文件建议你复制一份改成自己的模板launch param nameconfig_path value$(find fastlio_mapping)/config/your_own_config.yaml / node pkgfastlio_mapping typefastlio_mapping namefastlio_mapping outputscreen / /launch这样每次跑新数据集只需要改一个yaml文件就行不需要反复改launch。不同传感器16线、32线、livox维护各自的配置模板切换场景时秒级切换。这是我后期反复实验时最舒服的一部分。6. 常见问题与排查技巧实录6.1 编译阶段的报错速查表报错信息原因解决方案Could not find livox_ros_driver缺少livox驱动包把livox_ros_driver克隆进src一起编译Eigen/Dense: No such file or directoryEigen未安装或版本过低sudo apt install libeigen3-devfatal error: pcl_conversions/pcl_conversions.h缺pcl_conversions包sudo apt install ros-noetic-pcl-conversionsundefined reference to ikfom::...catkin工作空间缓存问题删除build和devel目录重新编译编译卡死或内存溢出并行编译任务过多export ROS_PARALLEL_JOBS-j2这里特别提醒一下缓存问题。FAST_LIO的代码经过多次更新如果你之前编译过旧版本直接拉新代码再catkin_make偶尔会出现“明明改了代码但编译的还是老逻辑”的情况。遇到这种莫名其妙的问题先执行rm -rf build devel catkin_make强制全量重新编译大概率能解决。6.2 运行阶段的常见故障与处理运行时的坑比编译时更多我从自己的实操经验里挑了几个最典型的。故障一启动后点云完全不动或乱飞。这种情况十有八九是坐标系问题。FAST_LIO默认使用camera_init作为全局坐标系如果你的数据集TF树里没有这个坐标系算法就会一直等待或使用默认值。在Rviz里把fixed frame改成camera_init即可或者在你的数据驱动脚本里发一个静态TFrosrun tf2_ros static_transform_publisher 0 0 0 0 0 0 map camera_init故障二地图抖得厉害回环特别脏。先检查IMU频率再检查点云是否被截断。室内点云如果近距离物体太多会在墙面和地面之间来回跳动优先调filter_size_surf和filter_size_map把噪声点滤掉一部分。故障三跑一段时间后程序自动退出。检查内存占用。FAST_LIO维护的全局地图点云会持续增长如果你保存了大量原始点云内存可能爆掉。解决方案是减少地图体素尺寸的保存粒度或者设置定期清空局部地图。6.3 效果评估与地图后处理心得建图结束不是终点地图质量评估同样关键。我常用的方法是把生成的点云地图在CloudCompare里打开看墙面是否平整、转角是否锐利、是否有重影。如果墙面“发毛”或出现双层墙说明配准精度不够或者在拐弯处发生了滑动。轻微重影可以裁掉噪声点云后用ICP或NDT做一次全局精配准效果提升明显也是我处理大场景map的兜底手段。如果重影严重基本判定轨迹漂移了回到参数调整环节优先检查外参和IMU频率这两个因素占室内建图失败原因的八成以上。另外室内建图成果的PCD文件默认坐标系是camera_init也就是初始时刻的IMU坐标系后续如果要导入其他工具做规划或语义标注记得先做坐标转换否则会出现模型“悬空”或“穿地”的诡异现象。7. 项目扩展与经验总结7.1 从室内走向室外的扩展思路FAST_LIO这套流程真正跑通之后换传感器、换场景的核心成本其实很低。我后来把同样的工程从室内搬到室外半封闭园区只改了三处IMU外参重新标定、点云滤波参数调大、关闭退化检测里的部分阈值限制。整个过程不到半天。如果你想进一步扩展还可以尝试FAST_LIO2。LIO2改用了ikd-tree维护全局地图在室内的实时性更好全局地图的体素管理也更聪明但核心编译流程和这篇文章讲的几乎一致。7.2 给新手的几步建议最后整理几条新人上手最实用的建议我自己一路摸过来觉得这几条最值得提前知道第一第一次跑通不要一上来就追求完美效果。先用官方数据集、默认参数把“能跑”这件事先做到再逐步微调。第二学会看日志。FAST_LIO的控制台输出在debug模式下会打印每帧的处理耗时、特征点数等信息不要忽略这些数字它们是判断算法健康度最直接的窗口。第三养成“玩数据集”的意识。好的数据集能省掉你80%的调试时间我在找数据上花了不少冤枉功夫后来干脆自己用机器人在室内录制了几段标准化的rosbag话题名、时间戳、外参全部标好以后测试任何SLAM算法都用这套数据对比效果非常方便。第四别怕读源码。FAST_LIO核心也就几个cpp文件认真读一下laserMapping.cpp和ikfom.hpp你对整个LIO系统的理解会上升一个档次后期调参时脑子里有数得多。我个人的体会是FAST_LIO这套代码写得相当精炼尤其是IKFOM那部分把ESKF、迭代更新和点云配准揉在一起但思路依然清晰。编译和配置只是门槛跨过之后真正有价值的是理解它每个参数选择背后的物理意义。室内建图只是第一个应用场景当你把数据流、坐标系、外参标定这些都吃透之后这套框架基本就是你的“SLAM通用工具箱”想怎么玩都行。
