SLAM学习所需ubuntu20.04、ros和相关库在B站寻找教程

ros安装教程：

【安装】Ubuntu20.04下安装ROS的完整过程（内含已装好ROS的虚拟机、虚拟机创建过程、ROS安装过程及全过程录屏）_ros虚拟机现成的-CSDN博客

建议学习：c++、Cmake、linux操作指令、ros指令

所需软件：rviz、gazebo（可能）

代码重现所需数据集：FAST-LIVO2-Dataset - Google 云端硬盘（只需要随便下载一个包就可以，其他包是消融实验对比）

注：FAST-LIVO2 只支持ros的noetic版本，必须使用ubuntu20.04或之前的版本，后续Ubuntu版本使用pip命令无法下载ros。

fastlivo2官网：hku-mars/FAST-LIVO2: FAST-LIVO2: Fast, Direct LiDAR-Inertial-Visual Odometry

FAST-LIVO2 没有一个"算法大文件"，它由src/下 4 个核心 cpp 组成：

主算法框架和 ESKF 主循环在src/LIVMapper.cpp；

视觉部分是src/vio.cpp；

激光部分是src/voxel_map.cpp；

IMU 部分是src/IMU_Processing.cpp。

main.cpp
└─ LIVMapper::run() // 5000Hz 主循环
├─ sync_packages() // 按图像曝光时刻切分 LiDAR/IMU，决定走 LIO 还是 VIO
├─ processImu() → ImuProcess::Process2() → UndistortPcl() // IMU 传播 + 去畸变
└─ stateEstimationAndMapping()
├─ handleLIO() → VoxelMapManager::StateEstimation() // 点到面 ESKF（LiDAR）
└─ handleVIO() → VIOManager::processFrame() // 光度误差 ESKF（视觉）

fast-livo2文件在ubuntu中的文件树如下：

D:\Ubuntu\share\fast-livo2\
│
├── data\ 1 个文件 · 792.8 MB
│ └── 2017-06-08-15-49-45_0.bag 792.8 MB ← Jackal 的 Velodyne+IMU（无相机）
│
├── FAST-LIVO2-main\ 75 个文件 · 27.7 MB
│ ├── config\ 8 个文件
│ │ ├── avia.yaml 主配置（Livox Avia + 相机）
│ │ ├── camera_pinhole.yaml 针孔相机内参
│ │ ├── camera_fisheye_HILTI22.yaml
│ │ ├── camera_MARS_LVIG.yaml
│ │ ├── camera_NTU_VIRAL.yaml
│ │ ├── HILTI22.yaml
│ │ ├── MARS_LVIG.yaml
│ │ └── NTU_VIRAL.yaml
│ ├── launch\ 4 个文件
│ │ ├── mapping_avia.launch ← 你要跑的这个
│ │ ├── mapping_avia_marslvig.launch
│ │ ├── mapping_hesaixt32_hilti22.launch
│ │ └── mapping_ouster_ntu.launch
│ ├── src\ 8 个文件
│ │ ├── main.cpp
│ │ ├── LIVMapper.cpp 主框架（1371 行）
│ │ ├── voxel_map.cpp LiDAR ESKF 更新
│ │ ├── vio.cpp 视觉 ESKF 更新
│ │ ├── IMU_Processing.cpp IMU 传播
│ │ ├── preprocess.cpp 点云预处理
│ │ ├── frame.cpp
│ │ └── visual_point.cpp
│ ├── include\ 14 个文件
│ │ ├── common_lib.h 状态量定义、LID_TYPE 枚举
│ │ ├── LIVMapper.h
│ │ ├── voxel_map.h
│ │ ├── vio.h
│ │ ├── IMU_Processing.h
│ │ ├── preprocess.h
│ │ ├── frame.h
│ │ ├── feature.h
│ │ ├── visual_point.h
│ │ └── livox_ros_driver\ 5 个文件（CustomMsg.h 等）
│ ├── rviz_cfg\ 4 个文件
│ │ ├── fast_livo2.rviz
│ │ ├── hilti.rviz
│ │ ├── ntu_viral.rviz
│ │ └── M300.rviz
│ ├── Log\ 28 个文件 · 7.0 MB
│ │ ├── guide.md
│ │ ├── plot.py
│ │ └── result\ntu_viral\ 9 条序列的 gt/prism 轨迹 txt（不是数据）
│ ├── pics\ 1 个文件
│ │ └── Framework.png 1.6 MB
│ ├── Supplementary\ 1 个文件
│ │ └── LIVO2_supplementary.pdf 18.7 MB ← 整个目录最大的文件
│ ├── scripts\ 2 个文件
│ ├── CMakeLists.txt
│ ├── package.xml
│ ├── README.md
│ ├── LICENSE
│ └── .gitignore
│
└──Global-LVBA-master\18 个文件 · 2.9 MB （PS:自己下载的数据集）
├── config\ 1 个文件（config.yaml）
├── include\ 5 个文件
│ └── BALM\ bavoxel.hpp, tools.hpp
├── launch\ 1 个文件（lvba.launch）
├── pics\ 1 个文件（lvba_cover.jpg，2.8 MB）
├── rviz_cfg\ 1 个文件
├── src\ 3 个文件
│ ├── main.cpp
│ ├── lvba_system.cpp
│ └── dataset_io.cpp
├── CMakeLists.txt
├── package.xml
├── README.md
├── LICENSE
├── .gitmodules SiftGPU 子模块
└── .gitignore

把数据集和算法源码备好后就可以问ai如何开始重现代码（详情见我上传资源里的deepseek的fastlivo2重现对话日志），每个人可能遇到的情况不一致，详细问题ai解决

最后开3个端口：

PS：第三个终端的检查输出是因为我的虚拟机运存太小了，rviz启动后会闪退，第三个端口可以在无rviz的情况下输出获得的数据，如果虚拟机运存足够则不用开第三个。

严格按顺序，每个命令运行后出现稳定输出再开下一个命令

1）启动算法和rviz：（因我运存太小故使用cpu进行渲染，特别卡顿是正常的）

cd ~ && source /opt/ros/noetic/setup.bash && source ~/fast-livo2Try/devel/setup.bash && LIBGL_ALWAYS_SOFTWARE=1 roslaunch fast_livo mapping_avia.launch

2）提供传感器数据：

cd ~ && source /opt/ros/noetic/setup.bash && source ~/fast-livo2Try/devel/setup.bash && rosbag play ~/slamData/fast-livo2/Retail_Street.bag

3）检查输出：

source /opt/ros/noetic/setup.bash && rostopic hz /cloud_registered

命令运行完后rviz会按顺序对包内的png进行建模，可以在窗口内看见成功建的模：

（很卡，考虑要不要使用云服务器做rviz）

重现数据集已经成功，接下来是尝试进行APE定量评测、参数消融，然后尝试用已有的设备搞数据集

数据集内的内容需要LiDAR、IMU、相机图像，其中相机图像的分辨率必须和算法中一致。