保姆级教程：在Ubuntu 20.04上从源码编译运行ORB-SLAM3（含ROS/非ROS版本）

从零构建ORB-SLAM3：Ubuntu 20.04全流程实战指南

当你第一次接触视觉SLAM系统时，最令人兴奋的莫过于看到自己编译的程序成功运行在真实数据集上。ORB-SLAM3作为当前最先进的视觉惯性SLAM框架之一，其多传感器支持能力和稳定的表现使其成为学习与研究的热门选择。本文将带你完整走过从环境配置到实际运行的每一步，无论你是希望快速验证算法效果的研究者，还是计划进行二次开发的工程师，这篇详尽的实践手册都能帮你避开那些新手常遇到的"坑"。

1. 环境准备与依赖安装

在开始编译ORB-SLAM3之前，我们需要确保系统具备所有必要的依赖项。Ubuntu 20.04作为长期支持版本，其软件包稳定性非常适合开发环境搭建。打开终端，首先更新软件源：

sudo apt update && sudo apt upgrade -y

1.1 基础编译工具链

ORB-SLAM3的构建需要现代C++工具链支持，安装以下核心组件：

sudo apt install -y build-essential cmake git libeigen3-dev

验证Eigen3安装是否成功：

pkg-config --modversion eigen3

正常应输出类似3.3.7的版本号

1.2 可视化与图像处理依赖

Pangolin是ORB-SLAM3的可视化界面基础，而OpenCV处理所有图像相关操作：

sudo apt install -y libopencv-dev libgl1-mesa-dev libglew-dev \ libpython2.7-dev libwayland-dev libxkbcommon-dev wayland-protocols

对于Pangolin，建议从源码编译最新版以确保兼容性：

git clone https://github.com/stevenlovegrove/Pangolin.git cd Pangolin && mkdir build && cd build cmake .. -DCMAKE_BUILD_TYPE=Release make -j$(nproc) sudo make install

注意：如果系统已安装旧版Pangolin，建议先卸载以避免冲突

1.3 可选但推荐的优化工具

ORB-SLAM3使用g2o进行后端优化，安装这些工具可以提升性能：

sudo apt install -y libgoogle-glog-dev libgflags-dev libatlas-base-dev libsuitesparse-dev

2. ORB-SLAM3源码获取与配置

现在我们可以获取ORB-SLAM3的源代码并进行初步配置：

git clone https://github.com/UZ-SLAMLab/ORB_SLAM3.git ORB_SLAM3 cd ORB_SLAM3 chmod +x build.sh

2.1 非ROS版本编译

对于不需要ROS集成的用户，直接运行构建脚本：

./build.sh

编译过程可能持续10-30分钟，取决于硬件性能。如果遇到问题，可以尝试：

make clean ./build.sh

2.2 ROS版本编译（可选）

如果需要ROS支持，确保已安装ROS Noetic并配置好工作空间：

mkdir -p ~/catkin_ws/src cd ~/catkin_ws/src ln -s /path/to/ORB_SLAM3 . cd .. && catkin_make -j$(nproc)

提示：首次编译ROS版本时，建议先执行catkin_make而非catkin_make -j以便观察错误

3. 数据集准备与运行测试

ORB-SLAM3支持多种传感器配置，我们以最常用的EuRoC MAV数据集为例演示运行流程。

3.1 数据集下载与结构

从官网获取EuRoC数据集：

wget -P datasets http://robotics.ethz.ch/~asl-datasets/ijrr_euroc_mav_dataset/vicon_room1/V1_01_easy/V1_01_easy.zip unzip datasets/V1_01_easy.zip -d datasets/

典型数据集目录结构应包含：

• mav0/cam0/data (图像序列)
• mav0/imu0/data.csv (IMU数据)
• mav0/state_groundtruth_estimate0/data.csv (真值)

3.2 单目+IMU模式运行

这是ORB-SLAM3最具特色的工作模式，执行命令：

./Examples/Monocular-Inertial/mono_inertial_euroc \ Vocabulary/ORBvoc.txt \ Examples/Monocular-Inertial/EuRoC.yaml \ datasets/V1_01_easy/mav0 \ Examples/Monocular-Inertial/EuRoC_TimeStamps/V101.txt

关键参数说明：

• ORBvoc.txt: 预训练的词袋模型
• EuRoC.yaml: 传感器配置文件
• 最后两个参数分别指定数据集路径和时间戳

3.3 其他传感器模式示例

对于纯视觉版本，命令稍有不同：

双目模式:

./Examples/Stereo/stereo_euroc \ Vocabulary/ORBvoc.txt \ Examples/Stereo/EuRoC.yaml \ datasets/V1_01_easy/mav0 \ Examples/Stereo/EuRoC_TimeStamps/V101.txt

RGB-D模式:

./Examples/RGB-D/rgbd_tum \ Vocabulary/ORBvoc.txt \ Examples/RGB-D/TUM1.yaml \ datasets/rgbd_dataset_freiburg1_room \ Examples/RGB-D/associations/fr1_room.txt

4. 常见问题解决方案

即使按照步骤操作，仍可能遇到各种环境问题。以下是几个典型场景的解决方法。

4.1 依赖版本冲突

当系统存在多个OpenCV版本时，CMake可能选择错误版本。强制指定版本：

cmake .. -DOpenCV_DIR=/usr/local/share/OpenCV

或在CMakeLists.txt中添加：

find_package(OpenCV 4.2 REQUIRED)

4.2 Pangolin渲染问题

如果出现黑屏或渲染异常，尝试修改Pangolin的渲染后端：

export DISPLAY=:0 ./Examples/Monocular/mono_tum Vocabulary/ORBvoc.txt Examples/Monocular/TUM1.yaml datasets/rgbd_dataset_freiburg1_room

4.3 内存不足处理

大规模场景可能耗尽内存，两种优化方案：

1. 降低特征点数量（修改yaml文件）：

# ORB Parameters ORBextractor.nFeatures: 1000

2. 使用轻量级词袋：

./build.sh minimal

5. 高级配置与性能调优

当基本功能运行正常后，可以通过调整参数获得更好性能。

5.1 关键参数对照表

5.2 实时性能监控

添加以下代码到System.cc可以输出各线程耗时：

#include <chrono> auto start = std::chrono::high_resolution_clock::now(); // 你的代码段 auto end = std::chrono::high_resolution_clock::now(); std::cout << "耗时: " << std::chrono::duration_cast<std::chrono::milliseconds>(end-start).count() << "ms" << std::endl;

5.3 多地图管理实践

ORB-SLAM3的多地图系统需要特别激活：

# 在yaml配置文件中添加 System.MultipleMaps: 1

运行时通过GUI的"New Map"按钮或程序接口切换地图。