【FAST-LIVO】代码编译、进程崩溃问题解决、官方数据集演示、算法移植

最新推荐文章于 2025-04-14 16:39:21 发布
原创 最新推荐文章于 2025-04-14 16:39:21 发布
· 1.6k 阅读 · 8 ·
版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#算法 #自动驾驶 #stm32 #github

文章展示了如何使用官方提供的多个数据集，包括hku1.bag,hku2.bag,LiDAR_Degenerate.bag和Visiual_Challenge.bag进行演示，并详细说明了在编译和运行FAST-LIVO过程中遇到的进程崩溃问题及其解决策略。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

FAST-LIVO复现
如果想成为中心，那么就到中心去吧。
10-15 4056
PS:可能遇到的问题 CV_* ’was not declared in this scope，opencv4部分命名发生变换，将CV_WINDOW_AUTOSIZE改为WINDOW_AUTOSIZE；CV_TM_SQDIFF_NORMED改为TM_SQDIFF_NORMED。FAST-LIVO通过使用LiDAR点云建立环境地图，IMU提供高频率的动态信息，视觉传感器提供纹理信息，综合这些数据源来提高定位的精度和鲁棒性。这种多传感器融合的方法使其在动态和复杂环境中也能保持高精度的位姿估计。
FAST-LIVO2数据集测试
02-11
FAST-LIVO2数据集测试
fast-livo运行官方数据集踩坑记录（Ubuntu2004，虚拟机）
CHNNNNNNNN的博客
06-18 862
这里记录一下Ubuntu2004的不同，在所有工作准备好之后，catkin_make编译fast-livo的包大概率会出现错误，原因应该是因为2004的编译规则与1804的编译规则不一样，变得更加严格，因此对语法的要求也更加严格，所以需要改源码。最近在学习多源传感器数据融合做slam，fast-livo是其中避不开的一个算法，折腾了很久，终于在虚拟机上安装好，其中还误操作导致vmware未正确卸载，因此耽误了很多时间（用过的都知道vmware删除有多麻烦）。1、加上头文件，具体百度即可。
基于mid360雷达的停车场SLAM
a2935605的博客
04-14 231
NUC：英特尔（Intel）NUC13ANKi7。硬件准备：NUC、雷达、相机、镜头、同步线。相机：BFS-U3-50S5C-C 工业相机。雷达：Livox 觅道 Mid-360。镜头：KOWA LM5JC1M。
工程（十六）——自己数据集跑Fast_livo
HUASHUDEYANJING的博客
12-29 2970
Fast_liv/src/FAST-LIVO/config 需要改一个avia_resize.yaml和camera_pinhole_resize.yaml。关于固态激光雷达和相机的数据集如何建立见之前跑r3live的博客。下面两个直接把包下载下来一起编译就可以。选择自己的yaml文件和topic名称。1.config文件。
fast-livo运行官方数据集踩坑记录（Ubuntu1804，双系统与虚拟机）
CHNNNNNNNN的博客
06-15 1260
双系统我也是使用Ubuntu1804+ros1，这里有一个大坑导致我重新装了三次系统，就是安装我上方写的安装opencv的教程的时候，在配置环境，更改bash.bashrc时，千万千万不要把source那一行写进去，不然你的终端就会闪退，且无法输入任何命令，无法进行任何操作。安装第三方库时，其他的都没有什么问题，就是安装opencv时不要安装太老版本的opencv，但是也不能安装太新版本的，最好是大于3.2的，但是又不是4.X的。
ROS实验笔记之——FAST-LIVO
gwpscut的博客
11-14 5498
最近IROS22的FAST-LVIO源码开源了，笔者赶紧测试一下。
探索未来导航技术：FAST-LIVO - 快速紧耦合稀疏直接激光雷达-惯性视觉里程计
gitblog_00664的博客
08-08 1200
探索未来导航技术：FAST-LIVO - 快速紧耦合稀疏直接激光雷达-惯性视觉里程计 项目地址:https://gitcode.com/gh_mirrors/fa/FAST-LIVO 在探索机器人和自动驾驶领域中，精确的实时定位是至关重要的。今天，我们为您带来了一项创新的开源项目——FAST-LIVO。这是一个快速、紧密耦合且基于稀疏直接法的LiDAR-Inertial-Visual里程计系统，旨...
fast-livo算法数据集nta-trul（eee01-03,sbs01-03,nya01-03）评估结果，包括单独轨迹图，evo评估轨迹图
最新发布
05-19
针对fast-livo算法数据集nta-trul（eee01-03,sbs01-03,nya01-03）的评估结果文档，本文将详细探讨该数据集的构成、评估方法以及相关的技术细节。首先，fast-livo算法作为一种定位和导航技术，其核心在于能够快速准确...
基于Python的FAST-LIVO系列算法复现保姆级教程设计源码
02-19
本项目所涉及的FAST-LIVO系列算法是一系列先进的处理算法，它们在计算机视觉和图像处理领域具有重要的应用价值。 FAST-LIVO算法复现保姆级教程设计源码项目的开发，为算法学习者和复现者提供了一个全面、系统的参考...
fast-livo2编译
03-12
### 关于 FAST-LIVO2 的编译方法 FAST-LIVO 是一种快速且紧密耦合的稀疏直接激光雷达-惯性-视觉里程计系统，旨在提供高精度的姿态估计解决方案[^1]。对于 FAST-LIVO2 项目的编译过程，虽然具体文档可能有所不同，但...
fast-live-reload:实时重新加载，适用于所有可能的浏览器
05-16
快速重新加载 观看页面更改而无需刷新浏览器。 实时重载终于感觉完美。 实时重载可与所有可能的浏览器（ie8 +）一起使用，而无需外部依赖项（如jQuery），并且可以执行几乎所有操作，并与您拥有的任何开发流程集成在一起，包括其他观察程序工具或构建步骤。 不要相信我，在简短看看为什么它很棒。 它只有18分钟的时间，您可以感受到快速重新加载的强大功能。 重新加载的工作无需触及您的网站代码。 为什么 我想要一个简单的工具，可以在所有浏览器上甚至在远程机器上轻松开发和测试各种Web应用程序（例如，参见 ）。 该工具是专门为此目的而设计的。 例子 实时重新加载应用程序可以通过fast-live-reload或命令行中的flr来使用。 $ fast-live-reload 1. Will notify the changes for clients on port 9001 2. and
fast-lio的bag包
04-21
这是一个用于定位于构图算法Fast_lio的数据包
经典文献阅读之--FAST-LIVO（Fast-LIO系列的激光视觉惯性里程计）
lovely_yoshino的博客
01-04 6851
在此之前博主对和进行了系统性的学习。最近文章《》提出了FAST-LIVO，这是一种快速LiDAR惯性-视觉里程计系统，它建立在两个紧耦合的直接里程计子系统之上：VIO子系统和LIO子系统。LIO子系统将新扫描的原始点(而不是边缘或平面上的特征点)添加到增量构建的点云地图中。这些地图点还额外关联了图像块，VIO子系统使用点云地图附加的图像块，在不提取任何视觉特征(例如ORB或FAST角点特征)的情况下最小化直接光度误差，以此来对齐新图像。
开源项目速览：港大最新研发激光雷达惯性视觉里程计系统FAST-LIVO（即将开源）
Make something people want.
03-17 1566
1、项目简介 香港大学最新研发了一种快速激光雷达惯性视觉里程计系统FAST-LIVO，它建立在两个紧密耦合的直接里程计子系统上：VIO子系统和LIO子系统。LIO子系统将新扫描的原始点注册到增量构建的点云地图，然后在VIO子系统中使用这些图像块。本系统支持多线旋转激光雷达和具有完全不同扫描模式的新兴固态激光雷达，并且可以在Intel和ARM处理器上实时运行。 2、项目信息 开源地址：https://github.com/hku-mars/FAST-LIVO 论文下载地址：https://arxiv.or
Fast-Livo：快速紧耦合稀疏-DirectLiDAR-惯性视觉里程计
3D视觉工坊
04-04 3184
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨吕乐章来源丨计算机视觉life今天给大家分享一篇香港大学火星实验室最新的成果，题目是快速紧耦合的稀疏直接雷达-惯性-视觉里程计，英文标题：FAST-LIVO: Fast and Tightly-coupled Sparse-DirectLiDAR-Inertial-Visual Odometry论文地址：FAS...
Fast-Livo：快速紧耦合的稀疏-直接雷达-惯性-视觉里程计
limingmin2020的博客
06-06 1855
本文提出了FAST-LVIO：一种融合LiDAR-IMU-视觉的里程计系统，它由两个紧耦合的子系统构成：VIO子系统和LIO子系统。LIO子系统将当前帧扫描到的原始点（而不是特征点，例如边或平面）添加到增量点云地图。点云地图点还附加有图像块，这些图像块会在VIO子系统中使用，通过最小化光度误差来对齐新图像，而无需提取任何视觉特征（例如，ORB或FAST角点特征）。...
FAST-LIVO: 快速紧耦合的稀疏直接激光-惯性-视觉里程计
gitblog_07877的博客
09-13 895
FAST-LIVO: 快速紧耦合的稀疏直接激光-惯性-视觉里程计 FAST-LIVO A Fast and Tightly-coupled Sparse-Direct LiDAR-Inertial-Visual Odometry (LIVO). ...
FAST-LIVO：快速紧耦合稀疏直接激光视觉里程计
人无远虑，必有近忧
07-18 6204
多传感器融合被证明是一种能够在SLAM任务中取得准确和鲁棒位姿估计的有效解决方案，因而在机器人应用中具有无限可能。本文提出了FAST-LIVO方法，一种快速的雷达-惯性-视觉里程计，其中包含了两个紧耦合的直接里程计子系统：一个VIO子系统和一个LIO子系统。LIO子系统registers激光的原始点云数据（而不是平面或者边上的特征点）到一个增量点云地图中。点云地图中的三维点带有颜色纹理信息，这样不用提取任何的视觉特征点（ORB或者Fast角点），就可以被VIO子系统通过最小光度误差与最新的图像帧对齐。为了进
ROS2 fast_lio2
04-01
<think>好的，用户想了解ROS2中fast_lio2的使用方法、教程、参数配置和源码解析。首先，我需要回忆一下fast_lio2的相关信息。Fast-LIO2是一个高效的激光惯性里程计（LIO）算法，主要用于机器人定位和建图。它结合了LiDAR和IMU的数据，通过紧耦合的方式实现高精度的状态估计。 用户提到ROS2，所以需要确认fast_lio2是否支持ROS2。根据之前的知识，Fast-LIO最初是为ROS1开发的，但可能有社区移植到ROS2的版本。例如，用户提供的引用[1]中提到FAST-LIVO的配置文件，这可能与Fast-LIO2有关联，但需要进一步确认。引用[3]提到了r2live包，这可能也是一个相关的项目，但用户明确询问的是fast_lio2。 接下来，我需要整理使用步骤。通常，ROS2的软件包安装可以通过源码编译进行。用户可能需要从GitHub克隆仓库，安装依赖，然后使用colcon进行编译。参数配置方面，参考引用[1]中的配置文件，如lio_config.yaml，可能包含LiDAR和IMU的参数设置，比如传感器话题名称、外参、噪声参数等。 关于教程，可能需要查找官方文档或社区教程。如果官方没有ROS2的文档，用户可能需要参考ROS1的教程并进行适配。源码解析部分，需要分析主要节点和算法结构，比如点云预处理、IMU数据处理、状态估计器等模块。引用[3]提到feature_extract.cpp，可能与特征提取相关，这部分在Fast-LIO2中可能有所不同，需要查看具体代码。 用户可能遇到的问题包括环境配置、参数调优、数据兼容性等。例如，传感器话题名称不匹配，或者外参标定不准确导致建图效果差。此外，实时性能优化也可能是一个关注点，比如调整算法参数以提高处理速度。 最后，需要确保回答中正确引用提供的参考资料，特别是在提到配置文件时引用[^1]，在源码解析部分引用[^3]。同时，生成的相关问题需要围绕安装、参数、源码和应用展开，帮助用户进一步探索。</think>### ROS2 fast_lio2 使用方法与配置指南 #### 一、环境准备与安装 1. **源码获取** 从GitHub克隆ROS2版fast_lio2仓库（需确认社区移植版本，如存在）： ```bash git clone https://github.com/example/fast_lio2_ros2.git ``` 若官方未提供ROS2版本，可参考引用中提到的`r2live`项目结构，尝试适配ROS2环境。 2. **依赖安装** 安装PCL、Eigen等库： ```bash sudo apt install libpcl-dev libeigen3-dev ``` 3. **编译与部署** 使用colcon编译： ```bash colcon build --packages-select fast_lio2 ``` --- #### 二、参数配置解析 核心配置文件通常包含以下参数（参考引用的LiDAR-IMU配置逻辑）： ```yaml # fast_lio2.yaml lio: # LiDAR参数 lidar_topic: "/points_raw" scan_line: 64 max_range: 100.0 # IMU参数 imu_topic: "/imu/data" extrinsic_rotation: [0, 0, 0, 1] extrinsic_translation: [0.1, 0, 0.2] # 算法参数 mapping_interval: 1 max_iteration: 5 ``` - **外参标定**：`extrinsic_rotation`和`extrinsic_translation`需通过标定工具（如`lidar_imu_calib`）获取[^2]。 - **实时性优化**：`mapping_interval`控制地图更新频率，值越大计算负载越低。 --- #### 三、运行与调试 1. **启动节点** ```bash ros2 launch fast_lio2 fast_lio2_launch.py ``` 2. **数据源配置** 需确保LiDAR和IMU的话题与配置文件一致，可通过`ros2 topic list`验证。 3. **可视化** 使用RViz2订阅`/odometry`（里程计）和`/map`（点云地图）话题。 --- #### 四、源码解析（以ROS1版为参考） 1. **核心模块** - **点云预处理**：降采样、去畸变（`Preprocess`类） - **IMU积分**：通过IMU数据预测位姿（`ImuProcessor`类） - **状态估计**：基于迭代卡尔曼滤波（IEKF）优化位姿 2. **关键代码段** ```cpp // 主要流程伪代码 void odometry_callback(PointCloud& cloud) { UndistortPoints(cloud); // 去畸变 PropagateImuState(); // IMU积分 UpdateStateWithLiDAR(); // LiDAR匹配 PublishOdometry(); // 发布里程计 } ``` 具体实现可参考引用[^3]中`feature_extract.cpp`的特征提取逻辑。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值