Deploy LIO-SAM⚓

Reproduce the project 复现项目⚓

LIO-SAM 项目地址：https://github.com/TixiaoShan/LIO-SAM

创建工作空间：

# in home directory
mkdir -p liosam_ws/src
cd liosam_ws/src
catkin_init_workspace

# clone the repo
git clone https://github.com/TixiaoShan/LIO-SAM.git
git clone git@github.com:TixiaoShan/LIO-SAM.git

# compile the source
cd ..
catkin_make

安装依赖的软件包：

sudo add-apt-repository ppa:borglab/gtsam-release-4.1
sudo apt install libgtsam-dev libgtsam-unstable-dev

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

在 Ubuntu 20.04 + ROS Noetic 中直接编译会报错，这时需要对文件做出修改：

对文件 ./src/LIO-SAM/CMakeLists.txt 中的 Line 5，将 -std=c++11 改为 -std=c++14：

# set(CMAKE_CXX_FLAGS "-std=c++11")
set(CMAKE_CXX_FLAGS "-std=c++14")

对文件 ./src/LIO-SAM/include/utility.h 中的 Line 18，注释掉原 OpenCV 头文件，改为：

// #include <opencv/cv.h>
#include <opencv2/opencv.hpp>

此时作出如上修改后，可能会编译成功。若仍不成功，可继续在文件 ./src/LIO-SAM/include/utility.h 中，将 #include <pcl/kdtree/kdtree_flann.h> 一句放在 #include <opencv2/opencv.hpp> 的前面，然后再次编译。

编译完成后，配置环境变量，运行 launch 文件：

# in ~/liosam_ws directory
source devel/setup.bash
roslaunch lio_sam run.launch

在项目仓库中下载数据包，在数据包所在的目录下新打开一个终端，使用以下命名，并把 bag_name 更换为需要使用的数据包名。

rosbag play bag_name
rosbag play bag_name -r 3 # 以3倍速率播放

步行的数据集不需要修改任何参数，可以直接运行。

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 。

保存地图：在 ~/liosam_ws/src/LIO-SAM/config/params.yaml 文件中修改 savePCD 为 true ，以及修改 savePCDDirectory 为想要保存地图的目录。

Run LIO-SAM in Gazebo 仿真环境中运行⚓

在没有硬件设备的情况下，我们也可以在 Gazebo 中仿真，模拟真实的环境，并通过录制 rosbag 包方便后期调试排查问题。

现今在 github 上有较为可行的项目，地址为 https://github.com/balmung08/Slam_Simulation ，选择其中的“基于 Velodyne 雷达 SDK 与 Gazebo 的车辆模型与仿真环境”，也可以直接访问仓库 https://github.com/linzs-online/robot_gazebo ，经过测试，该仓库中的 fdilink_ahrs 实际上为冗余目录，而 realsense_ros_gazebo 代表相机的软件包实际上并非必须，也就是我们使用 VLP_16 激光雷达和 IMU 单元就可以完成建图，在录制包的过程中我们只需要录雷达和imu话题 /velodyne_points, /imu/data 就可以了。

该项目的主要功能：在机器人模型中添加 16线激光雷达、IMU、RGB-D 相机，然后使用 LIO-SAM 建图，其中小车的移动使用 ros 包 teleop_twist_keyboard 实现，后期笔者考虑在项目中添加 SLAM 算法，实现机器小车的自主路径规划和导航。

环境要求：Ubuntu 20.04 + ROS1 Noetic。

在终端中运行：

cd catkin_ws/src
git clone https://github.com/tan-9729/liosam-gazebo.git

cd ..
catkin_make

运行 Gazebo 和加载机器人模型：

roslaunch scout_gazebo scout_gazebo.launch

启动 Rviz 界面：

roslaunch lio_sam run.launch

使用键盘控制小车移动：

rosrun teleop_twist_keyboard teleop_twist_keyboard.py

地图保存的相关配置在 robot_gazebo/LIO-SAM/config/params.yaml 文件中，即以下两行（注意：保存地图时会先清除该目录原有内容，因此务必选择一个空目录）：

savePCD: true
savePCDDirectory: "/robot_ws/src/pcd_maps/"

首先安装 PCL 工具包 pcl_tools ：

sudo apt install pcl-tools

完成建图之后，使用 pcl_viewer 查看 .pcd(Point Cloud Data) 格式文件：

pcl_viewer xxx.pcd

My Work⚓

参考 Github 项目 https://github.com/linzs-online/robot_gazebo 。

该项目对原 LIO-SAM 仓库的代码进行了一些配置修改，位于 LIO-SAM 包中。通过 roslaunch lio_sam run.launch 启动。

包 scout_gazebo 用于启动 Gazebo 仿真环境、加载机器人模型、发布机器人状态信息等，也包含了机器车的模型信息，配备 IMU 模块和 VLP16 Velodyne 激光雷达2个核心部件。通过 roslaunch scout_gazebo scout_gazebo.launch 启动。

如果仿真运行机器车的同时实时建图，对系统计算能力要求较高，且要求及汽车移动速度不能过大，否则极易出现 IMU 数据偏差迅速累积和建图漂移。因此采用“仿真采集数据集 + 后期离线建图”，即：

1. 先运行 scout_gazebo 节点，其中包含运动控制的 Python 代码，控制机器车在世界中行驶一圈（LIO-SAM 中有回环因子，如果走到曾经到过的地方可以校正误差，结果更精确）。
2. 机器车上的激光雷达传感器将点云数据发布到 /velodyne_points 话题，IMU 传感器将 IMU 数据发布到 /imu/data 话题，这两个话题对于建图已经足够，GPS 数据非必须。
3. 使用 rosbag record 录制上述 /velodyne_points, /imu/data 话题，得到数据集 .bag 。
4. 仿真结束后，运行 lio_sam 包，播放数据集，LIO-SAM 的节点自动根据点云数据和 IMU 数据完成建图，并保存为 .pcd 文件，包括全局地图、边缘角落地图。

Rviz 中的建图效果如下：

边缘地图 CornerMap.pcd 。

全局地图 GlobalMap.pcd 。

如果实时建图，可以考虑使用 LIO-SAM 处理过后的里程计数据（由点云和 IMU 计算得到）作为机器车自身真实位姿的估计，但是一方面精度可能不够高，另外数据发布频率只有 5Hz ，机器车运动速度不能过快，否则无法及时更新自身位姿，另一方面计算需求也增大。

Comments