从装 WSL2 开始,到在仿真办公室和仓库里建图、定位、导航全部跑通,记录这一周的数字和踩过的坑。
毕设题目是《基于激光雷达的移动机器人 SLAM 建图与自主导航》。按导师任务书的要求,要做出一套能建图、实时定位、规划路径并导航到目标点的系统,然后在有代表性的环境里测建图质量、定位稳定性和导航表现。这一周先把整条链路拉通了。
环境
跑在 Windows 的 WSL2(Ubuntu 22.04)下,ROS 2 Humble。仿真直接用系统里装好的 Gazebo Fortress(ros-humble-ros-gz),也是 Humble 官方配套的版本;SLAM 用 FAST-LIO2 的 ROS 2 版本。
先在公开数据集上验证建图
先拿 M3DGR 数据集的 Occlusion01 序列(室内,带 OptiTrack 真值)跑了一遍。FAST-LIO2 算出来的轨迹 ATE RMSE 是 0.155 m,论文里报的是 0.11 m。为什么多出这一截还没查出来,可能是 evo 的对齐参数、时间戳容差,或者真值和雷达之间的外参没对上,留到后面再查。
另外发现这张图整体斜了大约 28°:FAST-LIO 的 camera_init 坐标系按开机时 Mid360 IMU 的姿态定,而这套数据采集时传感器本身就是斜的。做二维投影之前得先把地面转平。
仿真
仿真里自己搭了辆差速小车,挂着 16 线激光雷达和 IMU,再加上一个发布真值位姿的插件用来算误差。场景准备了两个,一个是脚本生成的办公室,另一个用 Gazebo Fuel 上的 Tugbot 仓库模型拼起来。
在里面踩了几个坑:
- WSL2 下 GPU 版 ogre2 会崩溃;ogre1 倒是能跑,但它的
gpu_lidar有大约 0.1 m 的测距误差,远处地面被测低了 0.5–0.8 m,地图跟着弯了。后来把传感器和图形界面拆成两个进程,传感器用软件渲染的 ogre2,界面留给 ogre1。这之前跑出来的结果全部作废。 - Gazebo 每帧会多出大约 1500 个距离恰好 0.30 m 的假点,点云预处理的最小距离得设成 0.35 m。
- FAST-LIO 每次退出都段错误,查下来是源码目录里少了一个
Log文件夹,fopen返回空指针后又进了fclose,建一个空目录就好了。 - 点云订阅默认是 best-effort QoS,大帧会被丢掉,改成了 reliable。
这些修完之后,办公室场景建图 ATE RMSE 是 0.034 m,仓库场景是 0.038 m。
从三维地图到导航
导航需要二维栅格地图,我写了个脚本按离地高度区间把 FAST-LIO 的点云投影成 map_server 能读的 .pgm,后来顺手整理成了开源工具 pcd2grid。
导航先用 Nav2 默认的 AMCL 加 NavFn/DWB 跑了一轮:
| 场景 | 目标点 | 成功 | 到点误差 | AMCL 定位误差 |
|---|---|---|---|---|
| 办公室 | 6 | 6 | ≤ 0.24 m | 0.03–0.20 m |
| 仓库 | 7 | 7 | ≤ 0.57 m | 0.10–0.52 m |
仓库里货架又长、长得又像,AMCL 的误差明显上去了,这块后面得重点改。
网页控制台
每次调试开五六个终端太麻烦,就做了个 ROS 2 包 robot_console:后端用 rclpy + FastAPI,前端用 Vue 3。起仿真、跑 FAST-LIO2 建图、管理地图、发导航目标点都能在同一个网页里点;后端只允许启动白名单里列出的进程组合。
文献
同期读了 66 篇论文,按综述、点云处理、SLAM、定位、规划、仿真几类整理成阅读报告,正文只引 2022 年之后的工作。后续路线也按报告里定的走:定位先拿 AMCL 做基线,再试三维地图定位;规划先用 NavFn + DWB,再换 MPPI。
下一步
接下来主要处理三件事:查清 M3DGR 上 0.155 m 和论文 0.11 m 的差距、改善仓库场景里的定位,以及把规划器换成 MPPI 做对比。
封缄于 2026 年 11 月 4 日