保姆级教程：在Ubuntu 20.04上从源码编译运行FAST-LIO2（避坑指南）

从零部署FAST-LIO2：Ubuntu 20.04实战指南与深度调优

当激光雷达遇上惯性测量单元，SLAM领域便诞生了无数令人振奋的可能性。FAST-LIO2作为激光惯性里程计中的佼佼者，以其计算效率和鲁棒性在学术界和工业界广受好评。但对于刚接触这一领域的开发者而言，从理论到实践的跨越往往布满荆棘——依赖项冲突、编译错误、参数配置等问题常常让人望而却步。本文将带你穿越这片"无人区"，用最接地气的方式完成从源码编译到实际运行的完整旅程。

1. 环境准备：打造FAST-LIO2的温床

在开始编译之前，我们需要为FAST-LIO2准备一个"舒适"的运行环境。Ubuntu 20.04作为长期支持版本，其稳定性和兼容性使其成为理想选择。但仅仅安装操作系统还远远不够——就像烘焙需要精确的原料配比，SLAM系统的构建也需要准确的依赖项组合。

核心依赖清单：

sudo apt-get install -y git cmake libeigen3-dev libboost-all-dev sudo apt-get install -y libpcl-dev ros-noetic-pcl-conversions sudo apt-get install -y ros-noetic-nav-msgs ros-noetic-tf2-geometry-msgs

特别提醒：PCL库的版本兼容性往往是第一个"拦路虎"。Ubuntu 20.04默认仓库中的PCL 1.10与FAST-LIO2可能存在兼容性问题。若遇到点云处理相关的编译错误，建议从源码编译PCL 1.12：

git clone https://github.com/PointCloudLibrary/pcl.git cd pcl && git checkout pcl-1.12.1 mkdir build && cd build cmake -DCMAKE_BUILD_TYPE=Release .. make -j$(nproc) sudo make install

注意：从源码安装PCL会覆盖系统原有版本，可能影响其他依赖PCL的软件。建议在虚拟环境或容器中操作。

Eigen3的版本同样关键。虽然Ubuntu仓库中的3.3.7版本可以工作，但对于追求极致性能的用户，推荐手动安装Eigen 3.4.0：

wget https://gitlab.com/libeigen/eigen/-/archive/3.4.0/eigen-3.4.0.tar.gz tar xzf eigen-3.4.0.tar.gz cd eigen-3.4.0 mkdir build && cd build cmake .. sudo make install

2. 源码获取与编译：避开那些"坑"

有了完善的环境，接下来就是获取FAST-LIO2源码并进行编译。这个过程看似简单，实则暗藏玄机——就像拆解精密仪器，每个步骤都需要恰到好处的力度。

首先克隆官方仓库及其子模块：

git clone --recursive https://github.com/hku-mars/FAST_LIO.git cd FAST_LIO git submodule update --init

编译时的第一个常见错误通常与ROS包路径有关。如果遇到"Could not find a package configuration file..."这类错误，尝试以下解决方案：

1. 确保已source ROS环境：

source /opt/ros/noetic/setup.bash

2. 若使用自定义ROS工作空间，需要正确设置CMAKE_PREFIX_PATH：

catkin_make -DCMAKE_PREFIX_PATH=/opt/ros/noetic

常见编译错误速查表：

当编译顺利完成后，你会看到令人欣慰的[100%] Built target fast_lio输出。但别急着庆祝——真正的挑战还在后面。

3. 参数配置：让传感器"说同一种语言"

FAST-LIO2的强大之处在于激光雷达与IMU的紧耦合，但这要求两者必须"心有灵犀"。参数配置不当是导致系统无法正常工作的最常见原因，特别是外参标定和话题配置这两个关键环节。

传感器外参标定： 激光雷达与IMU之间的变换矩阵（外参）需要精确测量或标定。在config/velodyne.yaml中，重点关注以下参数：

# 外参：激光雷达到IMU的变换 extrinsic_T: [0, 0, 0] # 平移向量 (x,y,z) 单位：米 extrinsic_R: [1, 0, 0, 0, 1, 0, 0, 0, 1] # 旋转矩阵 (行优先)

实战技巧：对于常见的传感器组合，可以参考以下预设值：

• Livox Avia + DJI Manifold2：

  extrinsic_T: [0.06, -0.02, 0.03] extrinsic_R: [0, -1, 0, 1, 0, 0, 0, 0, 1]

• Velodyne VLP-16 + Pixhawk：

  extrinsic_T: [0.15, 0, 0.12] extrinsic_R: [0, 0, 1, -1, 0, 0, 0, -1, 0]

话题配置检查： 确保ROS话题名称与实际发布的数据匹配。在config/velodyne.yaml中检查：

# 点云话题 lid_topic: "/velodyne_points" # IMU话题 imu_topic: "/imu/data"

重要提示：使用rostopic list确认实际话题名称。某些设备可能发布类似/imu/data_raw的话题，需要相应调整。

4. 运行与调试：从静态测试到动态建图

当所有准备工作就绪，终于来到最激动人心的时刻——实际运行FAST-LIO2。但即使到了这一步，仍有可能遇到各种"意外情况"。让我们分阶段进行，逐步验证系统性能。

第一阶段：静态测试在静止状态下运行系统，这是验证基础配置的最佳方式：

roslaunch fast_lio mapping_velodyne.launch

观察终端输出，重点关注：

• IMU数据是否正常接收（检查频率和数值范围）
• 点云数据是否完整（检查点数量和分布）
• 初始位姿是否稳定（不应有剧烈跳动）

第二阶段：小范围运动测试手持设备缓慢移动，观察建图效果。常见问题及解决方案：

1. 点云漂移：

   • 检查IMU数据质量（使用rostopic echo /imu/data）
   • 调整config/velodyne.yaml中的filter_size_corner和filter_size_surf

2. 建图模糊：

   • 增加point_filter_num减少处理点数
   • 调整max_iteration提高优化精度

第三阶段：大规模环境测试使用标准数据集（如KITTI）或自采集数据进行完整测试：

rosbag play your_data.bag --clock

性能优化参数对照表：

5. 高级技巧：让FAST-LIO2发挥极致性能

当基本功能正常运行后，我们可以进一步挖掘FAST-LIO2的潜力。这些技巧来自实际项目经验，能显著提升系统在特定场景下的表现。

多传感器融合增强： 对于有GPS或其他传感器的系统，可以通过修改laserMapping.cpp实现松耦合融合。关键代码段示例：

// 在适当位置添加GPS处理 void LaserMapping::GPSHandler(const sensor_msgs::NavSatFix::ConstPtr& gps_msg) { // 将GPS坐标转换为局部坐标系 Eigen::Vector3d gps_position = convertGPSToLocal(gps_msg); // 创建虚拟观测 Eigen::MatrixXd H_gps = Eigen::MatrixXd::Zero(3, state.rows()); H_gps.block<3,3>(0,0) = Eigen::Matrix3d::Identity(); // 更新状态 ekf.update(H_gps, gps_position - state.head(3), gps_covariance); }

自适应参数调整： 针对动态环境，可以实现运行时参数自动调整。例如根据运动速度调整滤波参数：

double current_speed = state.segment<3>(3).norm(); // 获取当前速度 if (current_speed > 2.0) { // 高速运动时 filter_size_corner = 0.8; filter_size_surf = 0.8; } else { // 低速时 filter_size_corner = 0.3; filter_size_surf = 0.3; }

点云后处理优化： 在publishCloud函数中添加后处理逻辑，提升可视化效果：

void LaserMapping::publishCloud() { // 原始点云发布代码... // 添加统计离群点去除 pcl::StatisticalOutlierRemoval<pcl::PointXYZI> sor; sor.setInputCloud(cloud_out); sor.setMeanK(50); sor.setStddevMulThresh(1.0); sor.filter(*cloud_filtered); // 发布处理后的点云 sensor_msgs::PointCloud2 output; pcl::toROSMsg(*cloud_filtered, output); pub_cloud.publish(output); }

6. 实战案例：从室内到室外的跨越

理论终需实践检验。让我们通过两个典型场景，展示FAST-LIO2的实际应用技巧。

案例一：狭窄室内环境在走廊、楼梯间等场景，系统容易因特征不足而失效。解决方案：

• 降低point_filter_num至1（处理所有点）
• 减小filter_size_surf至0.2（捕捉细小平面）
• 启用full_cloud_projection（保留完整点云信息）

案例二：开阔室外环境面对大尺度场景，需平衡精度与性能：

• 增大cube_side_length（避免频繁地图切换）
• 提高point_filter_num（如5-10）
• 调整max_iteration至3-4（防止计算过载）

场景参数优化对照表：

在完成所有这些步骤后，你应该已经拥有了一个稳定运行的FAST-LIO2系统。但记住，每个应用场景都有其独特性——可能需要反复调整参数才能获得最佳效果。我曾在一次无人机项目中花费整整两周时间才找到理想的外参组合，但当看到系统在高速飞行中依然能输出稳定的建图结果时，所有的努力都变得值得。