KITTI数据集适配LIO-SAM：参数调整与代码修改实战指南

简介这份资源是面向SLAM算法学习者与自动驾驶感知研究者的LIO-SAM修改版工程包针对KITTI数据集做了专门适配可解决原始LIO-SAM在KITTI数据格式、传感器同步与城市道路场景下定位漂移等问题。压缩包共44个文件、约76.06MB包含cpp源码、launch启动文件、conf与yaml参数配置、msg与srv消息定义、rviz可视化配置、xacro模型、Dockerfile及README文档等覆盖编译、配置、运行与评估全流程。已有1072人学习下载说明其在激光雷达与IMU融合建图方向具有较高参考价值。读者可据此了解数据预处理、特征提取匹配、滤波器调参、回环检测与点云地图构建等改进细节并对照KITTI标准序列复现实验、分析定位精度适合具备ROS与SLAM基础、希望深入理解多传感器融合建图的进阶学习者。1. 从 KITTI 到 LIO-SAM为什么原版跑不动、改完才像回事手里有一份 LIO-SAM 源码激光雷达用的是 VelodyneIMU 用的是 9 轴 MEMS跑官方给的样例数据一切正常。换成 KITTI 的 raw data 或者 odometry 数据rviz 里轨迹要么直接飘走要么建出来的图重影严重甚至启动几秒就报 TF 外推失败。这不是配置写错了而是 LIO-SAM 从设计之初就是围绕「机械式激光雷达 高频 IMU 紧耦合九轴」这套组合来写的KITTI 的传感器配置、时间戳体系、外参定义跟它默认假设对不上。「为适配 KITTI 数据集修改的 LIO-SAM」这件事本质上是把一套为特定硬件调好的 SLAM 系统迁移到另一个公开数据集上让它能稳定输出轨迹和点云地图。做这件事的人通常是三类想用 KITTI 做算法对比的研究生、想把 LIO-SAM 当基线再改自己模块的工程师、以及拿 KITTI 验证多传感器融合方案的从业者。它解决的不是「LIO-SAM 好不好用」而是「我手上只有 KITTI怎么让这套代码跑出可信结果」。下面按我实际改过的顺序把选型、改参、改代码、排错一条条讲清楚。2. 先搞清楚 KITTI 和 LIO-SAM 默认假设差在哪2.1 传感器配置的错位64 线雷达配单目 IMU 的尴尬LIO-SAM 默认的传感器模型是一个多线机械激光雷达常见 16/32/64 线一个 9 轴 IMU两者刚性连接IMU 频率通常在 100Hz 以上雷达 10Hz。它依赖 IMU 提供高频姿态先验用雷达做 scan-to-map 匹配再用因子图把两者紧耦合起来。KITTI 的 raw data 里激光雷达是 Velodyne HDL-64E10Hz这个没问题。问题出在 IMUKITTI 的 IMU 数据来自 GPS/IMU 组合导航系统频率只有 100Hz 左右但它的坐标系定义、重力对齐方式、以及和雷达之间的外参跟 LIO-SAM 默认的extrinsicRot、extrinsicRPY完全不是一回事。更麻烦的是KITTI odometry 数据集里根本没有 IMU只有雷达和灰度/彩色图像很多人拿 odometry 跑 LIO-SAM 时直接卡在「没有 IMU 输入」这一步。所以第一件事是确认你手上是 KITTI raw 还是 KITTI odometry。raw 有 IMU 但需要做时间同步和外参标定odometry 没有 IMU要么补一个虚拟 IMU要么改用 LIO-SAM 的纯雷达模式但那样就不是 LIO-SAM 了。我一般建议用 raw data 里的2011_09_26_drive_0005这类序列做验证因为它同时有雷达、IMU、GPS方便对照真值。2.2 时间戳体系KITTI 的「秒 纳秒」和 ROS 的「秒 纳秒」不是一回事KITTI 的时间戳文件timestamps.txt格式是2011-09-26 13:02:25.724199232精确到纳秒。ROS 的ros::Time也是秒 纳秒看起来能直接转但坑在于KITTI 的雷达和 IMU 时间戳是各自独立采集的没有硬件同步两者之间存在几十毫秒的固定偏移。LIO-SAM 的imuPreintegration节点对时间戳非常敏感偏移超过 10ms 就会导致预积分残差爆炸表现为轨迹在转弯时突然跳变。常见做法是先用rosbag把 KITTI 转成 ROS bag转换时把雷达和 IMU 的时间戳都统一到同一个时钟源通常是雷达的第一个时间戳然后手动估计一个timeOffset填进 LIO-SAM 的 IMU 参数里。这个偏移量没有通用值每个序列都不一样我一般用rqt_plot把 IMU 角速度和雷达帧间旋转对齐肉眼估一个初值再微调。2.3 外参矩阵KITTI 的标定文件和 LIO-SAM 的 YAML 对不上KITTI raw 里每个日期目录下有个calib_imu_to_velo.txt和calib_velo_to_cam.txt给的是 IMU 到雷达、雷达到相机的变换。LIO-SAM 的params.yaml里需要的是extrinsicRotIMU 到雷达的旋转和extrinsicRPYIMU 到雷达的旋转但只取偏航角部分。很多人直接把calib_imu_to_velo.txt的 3x4 矩阵前 3x3 填进去结果发现符号反了或者轴序不对。原因是 KITTI 的 IMU 坐标系是右前上RFU雷达是右前上但原点不同而 LIO-SAM 默认的extrinsicRot期望的是「IMU 到雷达」的旋转且内部还会做一次重力对齐。我实际改的时候先把calib_imu_to_velo.txt读进来取旋转部分然后手动检查IMU 的 Z 轴是否指向天雷达的 Z 轴是否指向天如果不是就补一个轴交换矩阵。这一步没有捷径只能对着坐标系图一个个试。2.4 用 Python 把 KITTI 原始数据转成 LIO-SAM 能吃的 ROS bag下面这段脚本是我常用的转换骨架把 KITTI raw 的雷达、IMU、GPS 打包成 bag时间戳统一到雷达起始时刻。import os import rospy import rosbag from sensor_msgs.msg import PointCloud2, Imu, NavSatFix from std_msgs.msg import Header import numpy as np # KITTI raw 目录结构date/drive_xxxx_sync/ date 2011_09_26 drive 0005 base f/data/kitti/raw/{date}/{date}_drive_{drive}_sync # 读取时间戳 def read_timestamps(path): ts [] with open(path, r) as f: for line in f: # 格式2011-09-26 13:02:25.724199232 parts line.strip().split( ) sec int(parts[1].split(.)[0]) nsec int(parts[1].split(.)[1].ljust(9, 0)[:9]) ts.append(rospy.Time(sec, nsec)) return ts velo_ts read_timestamps(os.path.join(base, velodyne_points/timestamps.txt)) imu_ts read_timestamps(os.path.join(base, oxts/timestamps.txt)) # 以雷达第一帧为基准计算相对时间 t0 velo_ts[0] velo_ts [t - t0 for t in velo_ts] imu_ts [t - t0 for t in imu_ts] bag rosbag.Bag(kitti_0005.bag, w) # 写雷达点云这里假设你已经把 .bin 转成了 PointCloud2转换函数略 for i, ts in enumerate(velo_ts): pc load_kitti_velo(os.path.join(base, fvelodyne_points/data/{i:010d}.bin)) pc.header.stamp ts pc.header.frame_id velodyne bag.write(/velodyne_points, pc, ts) # 写 IMUKITTI oxts 是 GPS/IMU 组合需要转成 Imu 消息 for i, ts in enumerate(imu_ts): imu load_kitti_oxts(os.path.join(base, foxts/data/{i:010d}.txt)) imu.header.stamp ts imu.header.frame_id imu_link bag.write(/imu/data, imu, ts) bag.close()逻辑说明这段脚本的核心是「时间戳对齐」和「坐标系声明」。t0取雷达第一帧所有后续时间戳都减去它保证 bag 内时间从 0 开始避免 LIO-SAM 启动时因为时间戳过大导致 TF 缓存溢出。雷达和 IMU 分别写入/velodyne_points和/imu/dataframe_id 必须和 LIO-SAM 参数里的lidarFrame、imuFrame一致。参数说明velodyne_points/data/下的.bin文件是 KITTI 的二进制点云格式每点 4 个 floatx, y, z, intensity需要自己写load_kitti_velo转成PointCloud2。oxts/data/下的.txt每行 30 个数值前 6 个是经纬高和姿态需要转成Imu消息的角速度和线加速度这里要注意 KITTI 的加速度单位是 m/s²角速度是 rad/s但坐标系是 RFU转 ROS 的 ENU 需要做轴变换。提示转换完的 bag 先用rosbag info看一眼雷达和 IMU 的帧数是否对得上KITTI raw 的雷达约 10HzIMU 约 100Hz如果 IMU 帧数明显偏少检查oxts/timestamps.txt是否读全。3. 改 LIO-SAM 参数从 YAML 到 launch 的逐项调整3.1 params.yaml 里必须改的 6 个参数LIO-SAM 的config/params.yaml是改动的核心。下面这张表是我在 KITTI raw 上验证过的参数值直接抄作业即可但要注意每个序列的timeOffset可能不同。参数名默认值KITTI 建议值作用lidarFramevelodynevelodyne雷达坐标系名和 bag 里一致imuFrameimu_linkimu_linkIMU 坐标系名extrinsicRot单位阵从calib_imu_to_velo.txt取旋转IMU 到雷达的旋转extrinsicRPY单位阵同上但只取偏航用于重力对齐timeOffset0.00.0~0.05 之间试IMU 相对雷达的时间偏移imuRate200100KITTI IMU 实际频率extrinsicRot的填法打开calib_imu_to_velo.txt里面是一个 3x4 矩阵前 3x3 是旋转后 3x1 是平移。LIO-SAM 只要旋转按行展开成 9 个数填进 YAML 的列表里。注意 KITTI 的矩阵是行主序YAML 里也是行主序直接抄。timeOffset是最玄学的参数。我的做法是先设 0跑一遍看轨迹如果转弯时轨迹往内侧偏说明 IMU 滞后把timeOffset调成正的比如 0.02如果往外侧偏调成负的。每次调 0.01跑短序列比如 100 帧看效果别一上来就跑全程。3.2 launch 文件里的 frame_id 和 topic 映射run.launch里需要改的是 topic 名和 frame_id。默认订阅/velodyne_points和/imu/data如果你转换 bag 时用了别的名字这里要对应改。另外pointCloudTopic和imuTopic两个参数在params.yaml里也有两处保持一致。launch param namelidarFrame valuevelodyne / param nameimuFrame valueimu_link / node pkglio_sam typelio_sam_imageProjection namelio_sam_imageProjection outputscreen rosparam file$(find lio_sam)/config/params.yaml commandload / /node !-- 其他节点略 -- /launch逻辑说明LIO-SAM 有四个主要节点imageProjection、featureExtraction、mapOptimization、imuPreintegration。KITTI 适配主要影响imageProjection点云去畸变和imuPreintegrationIMU 预积分。launch 里确保这四个节点都启动且params.yaml被正确加载。参数说明outputscreen方便看日志调试阶段建议打开。如果跑的时候发现某个节点没起来先rosnode list看节点在不在再看rostopic hz看数据有没有进来。3.3 点云去畸变KITTI 的雷达运动补偿和 LIO-SAM 的假设冲突LIO-SAM 的imageProjection节点会用 IMU 的角速度对雷达点云做去畸变假设是「雷达帧内匀速运动」。KITTI 的 HDL-64E 是机械旋转式一帧 100ms 左右车辆在高速上 100ms 能跑 3 米去畸变不做的话点云会明显拖尾。但 KITTI 的 IMU 频率只有 100Hz一帧雷达只有 10 个 IMU 样本插值精度不够。我实际改的时候在imageProjection.cpp里把 IMU 插值从线性改成二次并且把imuQueLength从 200 调到 100减少队列延迟。改完重影明显减轻但代价是计算量增加约 15%。// imageProjection.cpp 中 IMU 插值部分 // 原版线性插值 // 改为二次插值用前后三帧 IMU 拟合 double t1 imuQueImu.front().time.toSec(); double t2 imuQueImu.back().time.toSec(); // 取最近三帧做二次拟合 if (imuQueImu.size() 3) { auto it imuQueImu.end(); it--; auto imu3 *it; it--; auto imu2 *it; it--; auto imu1 *it; // 二次插值系数计算略 }逻辑说明这段改动只影响去畸变精度不改因子图结构。二次插值比线性插值更贴合车辆实际运动但要求 IMU 队列里至少有 3 帧数据所以imuQueLength不能太小。参数说明imuQueLength默认 200对应 2 秒的 IMU 数据。KITTI 100Hz 下 200 帧就是 2 秒够用。如果内存紧张可以降到 100但别低于 50否则插值会失败。4. 避坑与排查KITTI 跑 LIO-SAM 最常见的 5 个翻车现场4.1 现象启动后 rviz 里点云一闪一闪轨迹不动原因TF 树没建起来。LIO-SAM 依赖velodyne到imu_link的静态 TF如果extrinsicRot填错或者 frame_id 对不上TF 查询会失败imageProjection拿不到 IMU 姿态点云无法去畸变直接卡住。解决先rosrun tf view_frames生成 TF 树图看velodyne和imu_link之间有没有连线。如果没有检查params.yaml里的extrinsicRot是否填了 9 个数以及 launch 里有没有启动static_transform_publisher。我一般会在 launch 里加一个静态 TF 作为兜底node pkgtf typestatic_transform_publisher namevelo_to_imu args0 0 0 0 0 0 velodyne imu_link 100 /4.2 现象轨迹在直道上正常一转弯就飞原因timeOffset没调对IMU 和雷达时间戳不同步。转弯时角速度大时间偏移被放大预积分残差把轨迹拉偏。解决用rqt_plot同时画/imu/data/angular_velocity/z和/lio_sam/odometry/pose/pose/angular_velocity/z看两条曲线的峰值是否对齐。如果 IMU 峰值超前把timeOffset调正滞后则调负。每次调 0.005跑 200 帧看效果。4.3 现象建图重影墙面变成两层原因extrinsicRPY没设对重力方向估计有偏差。LIO-SAM 用extrinsicRPY做重力对齐如果这个旋转矩阵不对IMU 的 Z 轴和世界 Z 轴不重合点云会整体倾斜。解决把extrinsicRPY设成和extrinsicRot一样先跑一遍看重力方向。如果还是斜的手动在imuPreintegration.cpp里加一个重力对齐初始化用前 100 帧 IMU 数据估计重力向量再修正。4.4 现象跑着跑着报TF extrapolation into the future原因bag 播放速度太快或者rosbag play --clock没加。LIO-SAM 的 TF 缓存默认 10 秒如果 bag 里时间戳跳变太大TF 查询会超时。解决rosbag play --clock -r 0.5降速播放并且在 launch 里加param nameuse_sim_time valuetrue /。如果还报检查 bag 里雷达和 IMU 的时间戳是否单调递增KITTI 的timestamps.txt偶尔有重复帧需要去重。4.5 现象内存暴涨跑几分钟就 OOM原因mapOptimization节点默认保存所有关键帧点云KITTI 序列长点云累积快。另外imuQueLength太大也会占内存。解决把params.yaml里的savePCD设为falsemapFrame设为map但不要频繁保存。imuQueLength降到 100。如果还爆在mapOptimization.cpp里加一个关键帧降采样每 5 帧取 1 帧。5. 进阶用 KITTI 真值验证轨迹精度以及一个省时间的技巧5.1 用 evo 对比 LIO-SAM 输出和 KITTI 真值KITTI odometry 提供了真值位姿poses/目录下的 12 列矩阵raw data 也有 GPS/IMU 组合的经纬高。我一般用evo工具做轨迹对比先把 LIO-SAM 的/lio_sam/odometry存成 TUM 格式再和真值对齐。# 录制 LIO-SAM 轨迹 rosbag record /lio_sam/odometry -O lio_sam_odom.bag # 转成 TUM 格式用 evo 自带工具 evo_traj bag lio_sam_odom.bag /lio_sam/odometry --save_as_tum # 和 KITTI 真值对比真值需要先转成 TUM evo_ape tum kitti_gt.tum lio_sam_odom.tum -va --plot逻辑说明evo_ape做绝对位姿误差评估-va输出详细统计--plot画轨迹对比图。KITTI 真值的 TUM 格式需要自己写脚本转把 12 列矩阵拆成平移和四元数。参数说明--align做轨迹对齐--correct_scale做尺度校正。LIO-SAM 输出的是米制KITTI 真值也是米制一般不需要尺度校正但如果有累积漂移可以加--align看对齐后的误差。5.2 一个省时间的技巧先用短序列调参再跑全程KITTI raw 的drive_0005只有 100 多帧跑一遍不到 1 分钟。我习惯先用这个序列把timeOffset、extrinsicRot、extrinsicRPY调稳再换drive_0011这种长序列验证。调参时只启动imageProjection和imuPreintegration两个节点关掉mapOptimization看/lio_sam/deskew/cloud_deskewed的点云是否清晰。点云不重影了再开全节点跑建图。这个习惯帮我省了很多次「跑半小时发现参数错了」的后悔药。LIO-SAM 的因子图一旦跑偏后面很难拉回来所以前期验证比后期调参重要得多。注意KITTI 的drive_0005是城市道路有大量动态车辆建图时会有拖影。验证去畸变效果时只看静态建筑物别被动态物体干扰。最后说个我自己的教训第一次改 LIO-SAM 适配 KITTI 时我花了三天调extrinsicRot结果发现是 bag 里 IMU 的 frame_id 写成了imu而不是imu_linkTF 树根本没连上。从那以后我每次转换完 bag 第一件事就是rosrun tf view_frames确认 TF 树完整再往下走。希望帮到你。本文还有配套的精品资源点击获取