0


LIO-SAM学习与运行测试数据集

文章目录

0. 说明

0.1 环境配置说明

环境配置: ubuntu18.04, ros1(ros-melodic)
注: 在ros1的kinetic, melodic, noetic(https://github.com/TixiaoShan/LIO-SAM/issues/206)上被测试过;
ros1的github代码: https://github.com/TixiaoShan/LIO-SAM/tree/master
ros2的github代码: https://github.com/TixiaoShan/LIO-SAM/tree/ros2

0.2 LIO-SAM

论文:LIO-SAM:Tightly-coupled Lidar Inertial Odometry vis Smoothing and Mapping
是一个 实时激光雷达惯性里程计(lidar-inertial odometry)包。

0.3 系统架构

在这里插入图片描述

我们设计了一个系统,该系统可以维护两个图形,并且运行速度比实时快 10 倍。(比实时快10倍,实时是指的是激光雷达的频率吗?)
"mapOptimization.cpp"中的因子图 (the factor graph) 优化了激光雷达里程计因子和 GPS 因子 (lidar odometry factor and GPS factor)。该因子图在整个测试过程中始终保持不变。
"imuPreintegration.cpp"中的因子图优化了 IMU 和激光雷达里程计因子(IMU and lidar odometry factor)并估计了 IMU 偏差。该因子图会定期重置,并保证在 IMU 频率下的实时里程估计。

0.4 LIO-SAM youtube视频演示:

https://www.youtube.com/watch?v=A0H8CoORZJU
视频部分截图如下:

Rotation Dataset:

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Walking Dataset:

在这里插入图片描述

在这里插入图片描述

Park Dataset:

在这里插入图片描述

在这里插入图片描述在这里插入图片描述

Campus Dataset:

在这里插入图片描述

在这里插入图片描述在这里插入图片描述

Amsterdam Dataset:

在这里插入图片描述

在这里插入图片描述在这里插入图片描述

stress test:

在这里插入图片描述

1. 编译与运行

1.1 依赖

ROS相关:

sudo apt-get install -y ros-melodic-navigation
sudo apt-get install -y ros-melodic-robot-localization
sudo apt-get install -y ros-melodic-robot-state-publisher

1.2 gstam

先不要急着安装)使用apt方法安装方式如下:

sudo add-apt-repository ppa:borglab/gtsam-release-4.0
sudo apt install libgtsam-dev libgtsam-unstable-dev

之前用源码编译安装的,如下,这次就先不安装
https://blog.csdn.net/BIT_HXZ/article/details/127135551

1.2 安装

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

1.3 运行

(1) launch文件:

roslaunch lio_sam run.launch

如果出现报错:

[lio_sam_imuPreintegration-2] process has died [pid 1671, exit code 127, cmd /home/meng/subject/Lio_sam_ws/devel/lib/lio_sam/lio_sam_imuPreintegration __name:=lio_sam_imuPreintegration __log:=/home/meng/.ros/log/635269ee-46bc-11ed-a61b-1c697af31044/lio_sam_imuPreintegration-2.log].
[lio_sam_mapOptmization-5] process has died [pid 1672, exit code 127, cmd /home/meng/subject/Lio_sam_ws/devel/lib/lio_sam/lio_sam_mapOptmization __name:=lio_sam_mapOptmization __log:=/home/meng/.ros/log/635269ee-46bc-11ed-a61b-1c697af31044/lio_sam_mapOptmization-5.log].

在这里插入图片描述

缺少一些库。它们已安装但不可用,因为不在 LD_LIBRARY_PATH 环境变量中。所以将 /usr/local/lib 目录添加到变量中解决了我的问题。

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib

在这里插入图片描述

(2) 播放数据包:

rosbag play your-bag.bag -r 3

2 lidar和imu数据准备

2.1 准备lidar数据

用户需要准备正确格式的点云数据以进行点云校正(cloud deskewing),这主要在“imageProjection.cpp”中完成。

2.1.1 提供点云的时间戳

LIO-SAM 使用 IMU 数据执行点云校正. 因此,需要知道扫描中的相对点时间(the relative point time), 最新的 Velodyne ROS 驱动程序应直接输出此信息。在这里,我们假设点时间通道被称为"time"。点类型的定义位于"imageProjection.cpp"的顶部。"deskewPoint()"函数利用这个相对时间来获得这个点相对于扫描开始(the beginning of the scan)的变换。当激光雷达以 10Hz 旋转时,一个点的时间戳应该在 0 到 0.1 秒之间变化。
如果您使用其他激光雷达传感器,您可能需要更改此时间通道的名称,并确保它是扫描中的相对时间。

2.1.2 提供点所在环号(point ring number)

LIO-SAM 使用此信息在矩阵中正确组织点, 环号表示该点属于传感器的哪个通道。点类型的定义位于"imageProjection.cpp"的顶部, 最新的 Velodyne ROS 驱动程序应直接输出此信息。
同样,如果您使用其他激光雷达传感器,您可能需要重命名此信息。请注意,该软件包目前仅支持机械激光雷达。

2.2 准备imu数据

(1)imu准备

与最初的 LOAM 实现一样,LIO-SAM 仅适用于 9-axis IMU,它提供横滚、俯仰和偏航估计(roll, pitch, and yaw estimation)。横滚和俯仰估计主要用于将系统初始化为正确的姿态。当使用 GPS 数据时,偏航估计将系统初始化在正确的航向。
从理论上讲,像 VINS-Mono 这样的初始化程序将使 LIO-SAM 能够与 6 轴 IMU 一起工作。系统的性能很大程度上取决于 IMU 测量的质量。 IMU 数据速率越高,系统精度就越好。
我们使用 Microstrain 3DM-GX5-25,它以 500Hz 的频率输出数据。我们建议使用至少提供 200Hz 输出速率的 IMU。注意,Ouster 激光雷达的内部 IMU 是一个 6 轴 IMU。

(2)imu对齐alignment

LIO-SAM 将 IMU 原始数据从 IMU 帧转换为 Lidar 帧,遵循 ROS REP-105[ROS坐标系] 法则(x - 向前,y - 左,z - 向上)。为了使系统正常运行,需要在"params.yaml"文件中提供正确的外部转换(the correct extrinsic transformation)。之所以有两个extrinsic(是extrinsicRot和extrinsicRPY嘛?),是因为我的IMU(Microstrain 3DM-GX5-25)加速度(acceleration)和姿态(attitude)坐标不同。取决于您的 IMU 制造商,您的 IMU 的两个外在参数可能相同也可能不同
以作者的设置为例:
==>>需要设置 x-z 加速度(x-z acceleration)和陀螺仪负值(gyro negative)的读数来转换激光雷达坐标系(the lidar frame)中的 IMU 数据,这在 “params.yaml” 中由 “extrinsicRot” 表示。
==>>姿态读数的转变可能略有不同。 IMU的姿态测量

q_wb

通常是指IMU坐标系中的点到世界坐标系(例如ENU)的旋转。但是,该算法需要

q_wl

,即从激光雷达到世界的旋转。所以我们需要从激光雷达到 IMU 的旋转

q_bl

,其中

q_wl = q_wb * q_bl

。为方便起见,用户只需在"params.yaml"中提供

q_lb

为"extrinsicRPY"(如果加速度和姿态坐标相同,则与"extrinsicRot"相同)。

(3)imu调试

强烈建议用户取消注释 “imageProjection.cpp” 的 “imuHandler()” 中的调试行并测试转换后的 IMU 数据的输出(会在终端打印输出)。用户可以旋转传感器套件以检查读数是否与传感器的运动相对应。可以在此处找到显示更正 IMU 数据的 YouTube 视频链接到 YouTube。
imu与雷达坐标系:
在这里插入图片描述

imu调试:

在这里插入图片描述

3 样例数据集

下载链接:https://drive.google.com/drive/folders/1gJHwfdHCRdjP7vuT556pv8atqrCJPbUq

在这里插入图片描述

3.1 可使用默认设置运行的数据集

(1)数据集

步行数据集–walking dataset
公园数据集–Park dataset
花园数据集–Garden dataset

(2)公园数据集

公园数据集用于使用 GPS 数据测试 LIO-SAM。该数据集由 Yewei Huang(https://robustfieldautonomylab.github.io/people.html) 收集。
要启用 GPS 功能,请将"params.yaml"中的"gpsTopic"更改为"odometry/gps"。在 Rviz 中,取消选中"地图(云)“并选中"地图(全局)”。还要检查"Odom GPS",它可以可视化 GPS 里程计。
可以调整"gpsCovThreshold"以过滤不良 GPS 读数。 “poseCovThreshold"可用于调整将 GPS 因子添加到图形的频率。例如,您会注意到 GPS 会不断修正轨迹,因为您将"poseCovThreshold"设置为 1.0。由于 iSAM 的重度优化(heavy optimization),建议播放速度为”-r 1"。

poseCovThreshold 保持为默认的25m^2时:

在这里插入图片描述

点云地图:

在这里插入图片描述

poseCovThreshold 设置为1m^2,并显示gps时:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

3.2 需要配置参数的数据集

(1)旋转数据集–Rotation dataset
(2)校园数据集(large)–Campus dataset (large)
(3)校园数据集(small)–Campus dataset (small)

在这些数据集中,点云主题是"points_raw"。 IMU 主题是"imu_correct",它给出了 ROS REP105 (ros的坐标系参考标准)标准中的 IMU 数据。由于此数据集不需要 IMU 转换,因此需要更改以下配置才能成功运行此数据集:
==>>“config/params.yaml"中的"imuTopic"参数需要设置为"imu_correct”。

 imuTopic: "imu_raw" # IMU data

==>>"config/params.yaml"中的"extrinsicRot"和"extrinsicRPY"需要设置为单位矩阵(identity matrices)。

  # extrinsicRot: [1, 0, 0,
  #                 0, 1, 0,
  #                 0, 0, 1]
  # extrinsicRPY: [1, 0, 0,
  #                 0, 1, 0,
  #                 0, 0, 1]

3.3 Ouster (OS1-128) 数据集–Rooftop dataset

(1)数据集描述

如果您使用默认设置,则无需更改此数据集的外部参数。请按照下面的 Ouster 说明配置包以使用 Ouster 数据运行。可以在 YouTube 上找到该数据集的视频:

在这里插入图片描述

(2)准备工作

硬件部分:
==>>使用外部 IMU。 LIO-SAM 不适用于 Ouster 激光雷达的内部 6 轴 IMU。您需要将 9 轴 IMU 连接到激光雷达并执行数据收集(data-gathering)。
==>>配置驱动程序。将 Ouster 启动文件中的"timestamp_mode"更改为"TIME_FROM_PTP_1588",这样您就可以为点云设置 ROS 格式的时间戳。
Config:
==>>将"params.yaml"中的"sensor"更改为"ouster"。
==>>根据您的激光雷达更改"params.yaml"中的"N_SCAN"和"Horizo​​n_SCAN",即N_SCAN=128,Horizo​​n_SCAN=1024。

注:Gen 1 和 Gen 2 Ouster:似乎不同版本的点坐标定义可能不同。请参阅问题 #94 进行调试。

(3)自己运行

一个终端:

roslaunch lio_sam run.launch
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib

另一个终端:

rosbag play your-bag.bag 

运行效果:

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

全局地图:

在这里插入图片描述

(4)自我体会

可以清楚看出:数据集具有楼顶和地面两个平面,属于是多个平面了

3.4 Livox Horizon数据集–Livox Horizon

(1)说明:

请注意,固态激光雷达尚未经过 LIO-SAM 的广泛测试。这里也使用外部 IMU,而不是内部 IMU。对此类激光雷达的支持基于对机械激光雷达代码库的最小更改。需要使用定制的 livox_ros_driver 来发布 LIO-SAM 可以处理的点云格式。

(2)配置

请更改以下参数以使 LIO-SAM 与 Livox Horizo​​n 激光雷达一起工作:

    sensor: livox
    N_SCAN: 6
    Horizon_SCAN: 4000
    edgeFeatureMinValidNum: 1

(3)自己运行

在这里插入图片描述在这里插入图片描述

全局(点云)地图:

在这里插入图片描述

(4)自我体会

环境是不是选的不是很好?点云效果很乱
固态雷达不能和lio-sam很好地适应?

3.5 KITTI 数据集–2011_09_30_drive_0028

(1)数据集描述

数据集包括的话题和话题频率如下:

在这里插入图片描述

要使用其他 KITTI 原始数据生成更多包,您可以使用“config/doc/kitti2bag(之前的使用笔记:https://blog.csdn.net/BIT_HXZ/article/details/124319662)”中提供的 python 脚本。

(2)数据集外部参数修改

由于 LIO-SAM 需要高频 IMU 才能正常运行,因此我们需要使用 KITTI 原始数据(kitti raw data)进行测试。一个尚未解决的问题是 IMU 的内在特性是未知的,这对 LIO-SAM 的准确性有很大影响。下载提供的示例数据并在"params.yaml"中进行以下更改:

extrinsicTrans: [-8.086759e-01, 3.195559e-01, -7.997231e-01]
extrinsicRot: [9.999976e-01, 7.553071e-04, -2.035826e-03, -7.854027e-04, 9.998898e-01, -1.482298e-02, 2.024406e-03, 1.482454e-02, 9.998881e-01]
extrinsicRPY: [9.999976e-01, 7.553071e-04, -2.035826e-03, -7.854027e-04, 9.998898e-01, -1.482298e-02, 2.024406e-03, 1.482454e-02, 9.998881e-01]
N_SCAN: 64
downsampleRate: 2 or 4
loopClosureEnableFlag: true or false

(3)github参考建图效果

github参考图:

在这里插入图片描述

(4)自己运行

一个终端:

roslaunch lio_sam run.launch
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib

另一个终端:(注意不要带上 -r 3,可能是因为kitti数据量比较大,带上的话建图会乱)

rosbag play your-bag.bag 

在这里插入图片描述

(5)自我体会

可以清楚看出:没有滤除动态目标

4 其他说明

4.1 params.yaml

  # Export settings
  savePCD: true                              
  savePCDDirectory: "/Downloads/LOAM/"   

修改输出参数为true会在:/Downloads/LOAM/文件夹下生成pcd文件:

在这里插入图片描述

终端输入

pcl_viewer xx.pcd 

即可查看


本文转载自: https://blog.csdn.net/BIT_HXZ/article/details/127210765
版权归原作者 biter0088 所有, 如有侵权,请联系我们删除。

“LIO-SAM学习与运行测试数据集”的评论:

还没有评论