ROS评估LIO-SAM算法教程（1）

        前段时间一直在学习SLAM 算法的相关内容，通过阅读相关文献，发现了所有论文必不可缺的一部分内容是SLAM算法的性能评估，诸多论文中大多数采用实地实验的仿真实验，其中仿真实验主要是利用算法来跑各类的数据集，其中使用最多的是kitti数据集，但是通过这段时间的学习，发现所有的相关教程文章都比较针对性的解决问题，而缺少了保姆级教学，为了方便大家以后更快入门。

1. KITTI数据集

这里提供的是KITTI数据集官网网站，不少同学刚入门时不太懂得论文中总是列举00 01 02序列都是什么意思，这里我也提供一个关系对应表。

The KITTI Vision Benchmark Suite (cvlibs.net)

00: 2011_10_03_drive_0027
01: 2011_10_03_drive_0042
02: 2011_10_03_drive_0034
03: 2011_09_26_drive_0067
04: 2011_09_30_drive_0016
05: 2011_09_30_drive_0018
06: 2011_09_30_drive_0020
07: 2011_09_30_drive_0027
08: 2011_09_30_drive_0028
09: 2011_09_30_drive_0033
10: 2011_09_30_drive_0034

每一个序列都是对应的相应的数据集，这里的11个数据集都是带有轨迹真值，所以知网中看到的所有论文都是大多数跑这11个数据集，方便算法的评估。

1.1 数据集下载

进入官网后找到raw_date

找到你想要的数据集

推荐使用情况见下面，但仅从轨迹结果考虑，没有结合环境、路况等等信息，在选择的时候还需多方考虑。【参考文章】

注：
1）若仅测试算法是否安装好，对轨迹无要求，建议选小一点的包，eg.04、17、20、03；
2）若测试算法性能，要求闭环，含有真值，但包不要太大，eg.07、06、09；
3）若测试算法性能，要求轨迹复杂，含有真值，电脑性能好，eg.05、08、00、02。

 点击Downloads框内内容

1.2 数据包处理

首先先将下载好的三个文件移动到Ubuntu系统文件夹中，按照以下方式储存

1.3 KITTI数据转ros bag

首先需要下载下载kitti2bag.py，保存在主目录中。

运行

python kitti2bag/kitti2bag.py -t 2011_09_30 -r 0027 raw_synced

2.安装LIO-SAM

环境：

ubuntu18.04

（1）安装ros的依赖

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

如果出现无法定位到安装包等问题，大部分采用换源或者更改网络的方式基本可以解决 

（2）安装gtstam

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

或者采用网站浏览器下载

https://github.com/borglab/gtsam/archive/4.0.2.zip

打开终端，对压缩包进行解压和安装，具体可以参考https://blog.csdn.net/u011519172/article/details/122322116

cd ~/Downloads/ && unzip gtsam.zip -d ~/Downloads/
cd ~/Downloads/gtsam-4.0.2/
mkdir build && cd build
cmake -DGTSAM_BUILD_WITH_MARCH_NATIVE=OFF ..
sudo make install -j8

（3）安装LIO-SAM

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

（4)运行

cd slam_ws/
soure devel/setup.bash
roslaunch lio-sam run.launch

 

3.运行播放数据包

rosbag play ~/你的数据包地址

结语

以上就是算法的准备工作吗，大家可以尝试使用其他loam系列的算法来跑不同种类的数据集来进行仿真实验，下一节将重点介绍evo工具的安装和slam算法的评估