3天跑通FAST-LIO：激光雷达惯性里程计在无人机建图与自主导航中的完整复盘
【免费下载链接】FAST_LIOA computationally efficient and robust LiDAR-inertial odometry (LIO) package项目地址: https://gitcode.com/gh_mirrors/fa/FAST_LIO
FAST-LIO 是一套计算高效、鲁棒的激光雷达惯性里程计（LIO）开源方案，融合雷达点云与 IMU 数据，让无人机实时输出位姿并构建三维地图。这篇复盘来自我三天从零跑通它的真实经历，涵盖安装配置、rosbag 验证、真机建图与导航衔接，新手可以直接照着走。
为什么我会盯上这套方案
先交代背景。我上一台无人机用的是纯视觉里程计，地下车库光线一暗就开始漂；换成纯激光配准，机身动作稍微剧烈一点轨迹就散架。FAST-LIO 的做法是用紧耦合的迭代扩展卡尔曼滤波，把 IMU 的高频测量和激光雷达特征点绑在一起互相修正，所以在快速运动、弱纹理、动态干扰这类"退化"场景里依然稳得住。也正因如此，它成了很多无人机建图与自主导航项目的首选前端 🚁。
动手前先清点：硬件与软件两张清单
硬件参考项目文档里那架小四旋翼就够用，我的配置是：
- 280mm 轴距机架，作为稳定飞行平台
- 内置 IMU 的 3D 激光雷达，我用的是 Livox Avia，70° 视场
- 机载计算机，i7-8550U 加 8GB 内存这个级别即可
- 电池与数传模块，负责续航和远程控制
软件侧门槛也不高：Ubuntu 18.04/20.04、ROS Melodic/Noetic、PCL 与 Eigen 是底线。另外一定记得装 livox_ros_driver，并且在编译和运行前都先 source 它，否则 launch 起来会找不到驱动。
第1天：装代码，三行命令见分晓
克隆项目、初始化子模块（ikd-Tree 依赖就是这么拉下来的）、编译，一气呵成：
git clone https://gitcode.com/gh_mirrors/fa/FAST_LIO git submodule update --init catkin_make source devel/setup.bash编译成功后会出现一个名为fastlio_mapping的节点，算法本体就在src/laserMapping.cpp里。不过真正让新手卡住的通常不是编译，而是后面一串细枝末节。
第1天晚：没有雷达，照样先把算法验证一遍
我的建议是别一上来就上真机。先下载一份官方 rosbag（Avia 采集的室内数据），用两个命令验证算法闭环：
roslaunch fast_lio mapping_avia.launch rosbag play 你的数据.bagrviz 里会实时出现彩色点云和一条蓝色轨迹。看到屏幕上的地图从无到有、轨迹稳稳贴合环境，你心里就有底了 ✅。这一步如果能跑通，说明环境、依赖、时间戳处理全都没问题。
第2天：读懂 avia.yaml，把关键参数讲透
config/avia.yaml是整个系统的"性格参数"，我按踩坑顺序说：
lid_topic/imu_topic：雷达点云和 IMU 的话题名，换传感器时最先改这里lidar_type：1 代表 Livox 系列，2 是 Velodyne，3 是 Ouster，别选错extrinsic_T/extrinsic_R：IMU 与雷达的外参。注意 FAST-LIO 里定义的是"雷达在 IMU 坐标系下的位姿"，方向搞反，地图立刻糊成重影time_sync_en：软件时间同步开关，只有在无法做硬件时间同步时才建议打开
launch 文件里还有两个高频参数：point_filter_num控制点云降采样间隔，数值越大越省算力；filter_size_map决定地图体素分辨率，从 0.5 起步比较稳妥。
第2天下午：把 FAST-LIO 装进无人机
真机部署和回放数据完全不是一回事。外参先通过 LI-Init 之类工具标定，或直接沿用官方标定值；上电后先确认雷达与 IMU 的时间戳对齐，再依次启动建图节点和雷达驱动：
roslaunch fast_lio mapping_avia.launch roslaunch livox_ros_driver livox_lidar_msg.launch这里有个我踩过的坑：Livox 驱动其实有两个 launch 文件，FAST-LIO 只认livox_lidar_msg.launch输出的 CustomMsg，因为它带有逐点时间戳，是运动畸变去除的关键。
第3天：从地图到导航，最后一步怎么接
建图只是前半段。FAST-LIO 会发布/Odometry和/path两个话题，位姿数据可以直接喂给路径规划器。我在一张测试地图上跑了闭环，无人机会沿规划好的方形路径自主移动，意味着"在线建图 + 自主导航"这条链路已经打通 🧭。
想离线保存地图也很省事：把config里的pcd_save_en设为 true，程序退出后所有全局点云会自动汇总到FAST_LIO/PCD/scans.pcd，用pcl_viewer scans.pcd就能慢慢端详。
三天里踩过的坑：给后来者的排错清单
- 日志里出现 "Failed to find match for field 'time'"，说明点云数据丢了逐点时间戳，前向/后向传播都会受影响，先查数据来源，别急着调参数
- 地图分层、重影、漂移，优先怀疑外参和时间同步，而不是滤波噪声参数
- 担心嵌入式板子跑不动？FAST-LIO 对 ARM 平台做过针对性优化，点云率能到 100Hz 以上
extrinsic_est_en是外参在线估计开关，外参已知时建议关掉，避免两个来源互相打架
性能复盘：它凭什么配得上"实时"两个字
项目文档里有张真机实验图，Intel i7 下单帧平均处理时间约 1.82ms，ARM 平台约 5.23ms，而扫描速率是 100Hz，算力冗余很充足 💡。这也是它能同时扛住建图、导航、巡检等实时任务的原因。
我把同样的流程拿到户外植被环境跑了一遍，点云稠密、结构清晰，场景适应性比想象中好。
跑通之后，还能往哪走
如果你也跑通了上面这套流程，后面其实有很丰富的路：
- 需要重定位，可以看 FAST-LIO-LOCALIZATION，它把重定位模块接在 LIO 输出之后
- 想要视觉加持，FAST-LIVO 系列做了雷达-惯性-视觉三传感器融合
- 想做规划控制，项目仓库里有无人机动态避障和轨迹规划的落地示例
我的建议是别急着堆功能。先把 rosbag 回放、真机建图、PCD 保存这三件事各完整跑一遍，你就已经算"会用"FAST-LIO 了，剩下的都是在它之上叠加自己的想法。今晚不妨就从下载一个 rosbag 开始。
【免费下载链接】FAST_LIOA computationally efficient and robust LiDAR-inertial odometry (LIO) package项目地址: https://gitcode.com/gh_mirrors/fa/FAST_LIO
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
