Ubuntu16.04编译dynslam总结

最新推荐文章于 2024-07-25 16:14:22 发布

cafe-BABE

最新推荐文章于 2024-07-25 16:14:22 发布

阅读量1k

点赞数 10

分类专栏： linux 文章标签： linux

本文链接：https://blog.csdn.net/qq_35590091/article/details/109037160

版权

linux 专栏收录该内容

5 篇文章 1 订阅

订阅专栏

dynslam在github上的链接如下：https://github.com/AndreiBarsan/DynSLAM

因为做的课题和这个相关，因此这两天安装了一下。遇到了一些问题，记录一下。

首先说明一下我的电脑配置，cuda10.0，opencv3.4.3，虽然和作者要求的配置不一样，但是也是可以运行起来的。

下面讲一下我当时遇到的问题：

0、下载太慢，因为里面有很多第三方库，下载的非常慢，我让淘宝上的人帮忙下载，结果下载完里面很多还是空的，最后还是靠自己，这里为了造福各位劳苦大众，我特地上传到了我的百度云里面，方便大家下载，不要求太多，只希望大家给我这篇文章点个赞，O(∩_∩)O谢谢。

另外，后面还需要用到作者自己上传的一个kitti的demo数据，我都放到了一起，大家点起来！！

链接: https://pan.baidu.com/s/1YA5L0o-aAhdYf6ZZMxgg5w 提取码: as38

1、安装docker和nvidia-docker2，可以按照官网上的操作一步一步来，我已经整理好了，大家可以直接一行一行的复制回车即可。

curl https://get.docker.com | sh

sudo systemctl start docker && sudo systemctl enable docker

distribution=$(. /etc/os-release;echo $ID$VERSION_ID)

curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -

curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

sudo apt-get update

sudo apt-get install -y nvidia-docker2

sudo systemctl restart docker

sudo docker run --rm --gpus all nvidia/cuda:11.0-base nvidia-smi

注意上面把cuda后面的数字修改为自己的版本，比如我就修改为了10.0

2、eigen的版本不对，项目要求eigen3.3以上，修改方法：
https://blog.csdn.net/qq_43247439/article/details/107574195?utm_medium=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel_param&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel_param
即，先卸载原来的，然后安装新的,安装步骤参考：https://blog.csdn.net/zhuiqiuzhuoyue583/article/details/107302389

查看当前的eigen的版本：

pkg-config --modversion eigen3

3、编译快要结束的时候出现错误：

error: ‘glDrawFrustrum’ is not a member of ‘pangolin’
pangolin::glDrawFrustrum(Kinv, width_, height_, inv_pose, frustum_scale);

解决方法：https://blog.csdn.net/qq_37263498/article/details/80807206

4、运行时报出异常：

dummy == "Tr_velo_cam"

错误原因是DynSLAMGUI.cpp的1072行，会读取calib.txt文件的内容，但是普通的kitti里程计序列里面的calib.txt只有四行，后面的"Tr:"这些内容是没有的（看代码），这里需要的calib.txt，是官网上的第四个（看下面的第二张图），然而现在下载不了了，我也放到了百度云里面提供给大家，和上面的在一起。文件名：data_odometry_calib。

5、运行时实现问题：

terminate called after throwing an instance of 'std::runtime_error'
  what():  Could not open CSV file. Does the folder it should be in exist?

github上也有人提问：https://github.com/AndreiBarsan/DynSLAM/issues/41
解决，好像就是因为没有csv文件夹，所以在工程目录下面自己创建一个csv目录，然后运行：

build/DynSLAM --use_dispnet --dataset_root=path/to/extracted/archive --dataset_type=kitti-odometry

6、运行时出现：X Error of failed request: BadValue (integer parameter out of range for operation)
好像因为没有使用他的数据集？？，使用了他的demo数据集就没有这个问题，后面好好研究一下（注，后面发现，因为kitti数据集也不是直接就能使用，需要用他的script/preprocess_sequence.sh脚本来对数据集进行预处理，之后才能使用）

最后的运行效果如下所示：

注：如果想要让程序自动运行，那么需要在启动的时候设置参数：--autoplay=true

即：

build/DynSLAMGUI --use_dispnet --dataset_root=/media/azs/chris/dataset/KITTI/mini-seq-06 --dataset_type=kitti-odometry  --autoplay=true

2020.10.15更新：

更新：生成在mesh_out目录的obj文件，需要使用某些特定的三维软件才能正确显示出来，比如我使用blender只能显示灰色的模型，但是没有颜色信息，最后找到了一个meshlab软件，用这个软件import我们的obj文件之后，可以显示彩色的三维模型。

安装 meshlab：

sudo apt-get install meshlab

2020.10.23更新：

这几天又陆续遇到了一些别的问题，这些问题我觉得在大家使用dynslam的时候也非常有可能遇到，因此记录下来。

问题1：在我的笔记本电脑上每次运行20多帧之后，就会报错：Runtime API error : 2 | out of memory

这个问题可能是因为显卡的显存不够，我将代码运行在服务器上（GPU为1080Ti）之后，问题消失。

此外，上面的问题也可以参考：

https://blog.csdn.net/qq_38589460/article/details/83187512

但是这个方法在我电脑上并不能解决问题。

此外，如果出现下面的warning，也多半是显存的问题（warning: no more room in VBA!）：

问题2：原来的程序默认会加载雷达数据，进行一些结果上的评估（evaluation），这会消耗一些时间，同时命令行也会显示很多内容，如果想取消评估（evaluation）这个步骤，可以在运行的时候设置enable_evaluation这个参数为false，但是我直接修改源码，默认为false了，并且将下面的代码从原来的/DynSLAM/InfiniTamDriver.cpp 移到了Dynslam.cpp里面，如果想打开，只需要添加参数----enable_evaluation =true：

DEFINE_bool(enable_evaluation, false, "Whether to enable evaluation mode for DynSLAM. This means "
        "the system will load in LIDAR ground truth and compare its maps with it, dumping the results "
        "in CSV format.");

问题3：运行/script/preprocess-sequence.sh脚本的时候遇到这个错误：

docker : Got permission denied while trying to connect thr Docker deamon socket at Unix,,,

解决：只要在执行命令之前加上sudo 即可。

问题4：执行/script/preprocess-sequence.sh脚本时，又出现：Unable to find image 'dispflownet:latest' locally

（这个问题在github上也有人问）原因是dispnet需要预先进行build操作，而后面的MNC则不需要提前build（就是执行dockerfile里面的内容，相当与创建一个虚拟机），也就是到dispnet的目录下运行：make（具体步骤参考：https://github.com/AndreiBarsan/dispnet-flownet-docker/tree/4f4d19b0edf01587cd0f29aa48b00d1459c9f6f7），但是make会安装很多东西，大约需要6GB左右的空间，同时会下载很多东西，在我电脑上主要是下载一个1.1G的文件非常慢，这个我就是硬下的，下了4～5小时。

问题5：运行/script/preprocess-sequence.sh中，安装MNC docker的时候老是会有一些问题，好像是安装opencv-python的时候会出现问题，因为如果给他自动安装的话，就是安装openc4.3版本的，但是会出现一堆跟python2.7有关的问题：报错有：TypeError: "NoneTpye" object is not iterable 等等，如下图：

原因是因为默认下载的opencv-python版本是4.3,这个版本不行, opencv 的最新版不再支持 Python 2.7，而 pip install opencv-python 命令会下载最新版本的 opencv。要指定下载4.2.0.32的版本，即添加opencv-python==4.2.0.32。（这个问题真的困扰了好久！！！）

问题6：MNC的模型一直下载不了，貌似需要翻墙才能下载，并且我翻墙也只能通过浏览器来下载，通过script脚本里面的wdgt下载不了（因为这个模型下载的操作原本是在dockerfile里面调用别的脚本下载的），所以只能手动下载，然后再dockerfile里面ADD（ADD操作相当与将文件从电脑复制进docker里面的指定的目录）。

我选择将下载的模型文件（1.1GB）放到项目的preprocessing/MNC/models目录下，然后修改项目的preprocessing/MNC/tools/demo.py文件的62行的default参数（蓝色的为原本的，红色的为修改过后的）：

另外，还要修改preprocessing/MNC/Dockerfile文件，将下面的两句RUN注释掉，这两句原本会调用一个脚本去下载这个模型文件，因为这里我们前面手动下载了，就不需要了：

这样就可以直接使用复制进虚拟机的模型文件。这里我把模型文件上传到了百度网盘。链接在文章一开始已经给出，文件名为：mnc_model.caffemodel.h5 。有帮助的话别忘了点个赞！！！

问题7：preproce_sequence.sh的结尾会调用/preprocessing/MNC/tools/demo.py文件（也就是对image_2目录下的RGB图片执行实例分割操作）,在该文件执行的时候遇到了目录不存在的情况，即显示找不到某个目录。

探究：因为preprocess_kitti_mnc.sh里面最下面一部分是：

# Note: the tool is called 'demo.py' for historical reasons.
nvidia-docker run \
    --mount src="$DATASET_ROOT",target=/data/kitti,type=bind \
    -e CUDA_VISIBLE_DEVICES="$GPU_ID_TO_USE" \
    -t mnc-docker-img \
    bash -c "cd /opt/mnc && mkdir -p /data/kitti/$SEQUENCE_OUT && CUDA_VISIBLE_DEVICES=0 tools/demo.py --input /data/kitti/$SEQUENCE_IN --output /data/kitti/$SEQUENCE_OUT"
#done

可以看到，他默认的输入/data/kitti/$SEQUENCE_IN，/data/kitti这其实是一个映射的目录，它对应的是$DATASET_ROOT，即docker里面的/data/kitti这个目录，对应着你的电脑的$DATASET_ROOT目录（其实就是代表你输入的表示你数据集位置的参数）

而这里的 SEQUENCE_IN和SEQUENCE_OUT 为：

SEQUENCE_IN="$SPLIT/image_02/$id"
SEQUENCE_OUT="$SPLIT/seg_image_02/$id/mnc"

这个目录的构成和我们的kitti-odometry类的数据需要的是不一样的，可以对比一下demo数据集的目录构成，就比如demo数据集的mnc目录为：

mini-seq-06/seg_image_2/mnc

但是如果按照上面的目录构成的话，就是：

mini-seq-06/training/seg_image_2/序列号/mnc

注：上面的$SPLIT表示training 或者 testing，$id表示图片的序列号。

究其原因，我们可以查看preprocess_sequence.sh里面的具体内容，发现，如果是处理kitti-odometry类的数据，他的目录结构和 kitti-tracking类的数据的目录结构是不一样的，原脚本只在使用dispnet进行深度估计的时候进行了区分处理（即prepare_depth_dispnet方法），但是在进行语义分割的时候却没有分开处理（即prepare_semantic_mnc () 方法），因此最终生成的目录和他的demo的目录也是不一样的，这样的话是无法直接用于程序运行的，因此要进行修改，对kitti-odometry和kitti-tracking分开处理，这里因为我只用kitti-odometry，所以下面的修改只针对kitti-odometry的数据。

首先修改script/preprocess_sequence.sh
将prepare_semantic_mnc ()方法里面的
seq_seg_root和seq_image_02_root修改为：

    seq_seg_root="$path/seg_image_2/mnc"
    seq_image_02_root="$path/image_2"
    #原本的为：
    #seq_seg_root="$path/seg_image_02/$(printf '%04d' $seq_id)/mnc"
    #seq_image_02_root="$path/image_02/$(printf '%04d' $seq_id)"

然后修改preprocessing/MNC/preprocess_kitti.mnc.sh
将SEQUENCE_IN和SEQUENCE_OUT修改为：
    SEQUENCE_IN="image_2"
    SEQUENCE_OUT="seg_image_2/mnc"
    #原本的为：
    #SEQUENCE_IN="$SPLIT/image_02/$id"
    #SEQUENCE_OUT="$SPLIT/seg_image_02/$id/mnc"

这样，语义分割的数据输出的目录就和demo里面的一样了，也就是在你的数据集目录下的seg_image_2/mnc/目录内。