如果你也是刚把A-LOAM的仓库拉下来在本地Ubuntu上折腾了一整天要么被Ceres版本卡住要么被OpenCV头文件按在地上摩擦那我建议你直接换个思路去AutoDL上开一台机器来复现。这不是“偷懒”而是把有限的精力花在真正该研究的算法上而不是跟依赖库较劲。A-LOAM是激光SLAM入门的经典项目它去掉了原版LOAM里晦涩的非线性优化实现改用Ceres Solver重新组织代码结构清晰很多非常适合用来理解激光里程计和建图的完整链路。这篇文章我从头到尾走一遍在AutoDL上复现A-LOAM的完整流程包括实例创建、环境配置、源码编译、数据集准备、运行演示以及我在这条路上踩过的所有坑。适合刚入门激光SLAM、想快速跑通一个真实SLAM系统、又不愿意在本地环境配置上浪费太多时间的同学。1. 先别急着上手A-LOAM复现到底是在复现什么很多人一上来就复制命令跑通了也不知道自己在跑什么。我建议先花五分钟把A-LOAM的来龙去脉理清楚后面遇到问题才不至于两眼一抹黑。1.1 LOAM与A-LOAM的差异为什么选择A-LOAM入门LOAMLiDAR Odometry and Mapping是Zhang Ji等人提出的激光SLAM算法港科大沈劭劼团队在开源时做了不少工程化改进A-LOAM就是其中一个广为人知的版本。A-LOAM保留了LOAM的核心思路前端做特征提取角点和平面点中端做帧间配准得到里程计后端维护局部地图做优化最后输出高频低精度的里程计结果和低频高精度的建图结果。A-LOAM和原版LOAM最大的区别在于它把后端优化部分从作者自己实现的非线性优化改成了Ceres Solver代码量更少、结构更清晰对于想学习算法细节的人来说友好得多。A-LOAM还适配了多种激光雷达型号提供VLP-16、HDL-64等launch文件这也是很多人拿它当入门项目的原因。不过它也有明显的特点A-LOAM没有后端回环检测也没有完整的图优化框架它更像一个“轻量级激光里程计建图”的演示系统。理解这一点很重要因为后续你换数据集、改参数预期要跟实际情况匹配。1.2 复现所需的技术栈清单在动手之前先盘点一下A-LOAM依赖的核心库这样配置环境的时候才知道每一步在干什么ROS整个系统的通信框架A-LOAM的节点通过ROS话题收发点云、位姿和地图。Eigen3矩阵运算库A-LOAM的位姿解算大量用到Eigen的数据结构。Ceres Solver非线性优化库A-LOAM的后端优化全依赖它。PCL点云处理库用于点云滤波、特征提取和可视化。OpenCVA-LOAM在视觉辅助部分用到比如点云强度图的投影显示。这里面的核心是ROS和Ceres。ROS不用多说整个A-LOAM就是几个ROS节点在协作Ceres则是A-LOAM和原版LOAM差异最大的地方也是编译时最容易出幺蛾子的环节后面我会单独讲版本问题。1.3 为什么在AutoDL上复现而不是本地虚拟机我自己在本地踩过不少坑。如果你用的是Windows得装双系统或虚拟机虚拟机里跑ROS本身就别扭如果你用的是Mac对不起ROS的体验更糟。就算你本地是Ubuntu一旦系统里已经装过别的深度学习环境、OpenCV版本冲突A-LOAM的编译就会一团乱麻。AutoDL的价值在于它提供干净的Linux环境、按小时计费、配置可以随时销毁重建而且有“无卡模式开机”这种省钱机制。A-LOAM本身不需要GPU算力纯CPU就能跑但AutoDL的便利性在于环境隔离和快速重置——装坏了就销毁重来不用像本地环境一样畏首畏尾。另外AutoDL自带国内访问速度快的源下载依赖库和数据集都比本地省心。2. AutoDL算力云实例创建与环境准备既然决定用AutoDL第一步就是在平台上创建一台合适的实例。这一步看似简单但有几个细节直接影响后续效率。2.1 镜像选择版本坑从这一步就避开创建实例时平台会让你选基础镜像。很多人习惯性选PyTorch、TensorFlow这些带深度学习框架的镜像但对A-LOAM来说这些框架完全用不上反而会带来OpenCV版本冲突的隐患。我的建议是选“Miniconda”或者不带深度学习框架的基础镜像。为什么因为A-LOAM需要的ROS、Eigen、PCL、Ceres都是系统级依赖跟conda环境里的Python包关系不大选择净净的基础镜像后续自己装ROS反而更可控。如果你运气好在社区镜像里能搜到带ROS的镜像那确实能省不少时间但我不太推荐——因为你不知道镜像作者用的是什么版本组合一旦和A-LOAM源码不兼容排查起来更痛苦。注意一下镜像对应的Ubuntu版本。A-LOAM是ROS 1时代的老项目用Ubuntu 20.04搭配ROS Noetic最稳妥。AutoDL大多数基础镜像默认就是Ubuntu 20.04创建实例前在镜像详情里确认一下即可。2.2 实例创建与SSH登录关键参数创建实例时选择一张便宜的GPU卡就行。A-LOAM跑起来连GPU的1%都用不到本质是CPU密集型任务选最低配的卡就是为了开机的入场券。如果你只是为了跑通A-LOAM选择按量计费用多久算多久跑完就关机销毁成本可以控制在几块钱以内。实例创建成功后会进入“开机中”状态稍等片刻就能在实例列表看到SSH登录指令类似这样ssh -p 32373 rootconnect.xxx.seetacloud.com密码在实例信息页面可以查看。我第一次用时对着这个端口号愣了半天后来才意识到AutoDL的SSH不是默认22端口而是每个实例随机分配一个高位端口连接时一定要把-p参数带上。登录之后建议先跑一遍系统更新apt update apt upgrade -yAutoDL的apt源默认已经配置成了国内镜像下载速度相当快这一步几乎不用等。2.3 无卡模式与VS Code远程连接的省钱省心技巧AutoDL有两个功能我觉得对复现A-LOAM来说比GPU本身更有用一是“无卡模式开机”二是“VSCode远程连接”。无卡模式的意思是实例开机时不分配GPU只保留CPU和内存计费价格低很多。A-LOAM整个流程——装环境、编译、跑数据集——完全不需要GPU所以我的做法是先关机然后勾选“无卡模式开机”在这个模式下把所有环境配置好、编译通过、跑完数据再关机销毁。钱花得极少体验却一点不差。VS Code远程连接适合需要频繁改代码的人。本地VS Code装好Remote-SSH插件后用AutoDL实例的SSH信息直接连接代码在远端跑本地看日志、改文件都很方便。跑A-LOAM时我经常需要看rviz窗口用VS Code配合终端和端口转发比每次都去网页终端敲命令高效很多。3. 从零手写ROS与核心依赖库配置环境配置是复现A-LOAM过程中最容易劝退人的部分。我尽量把每一步的命令写完整并且解释为什么这么做。3.1 安装ROS Noetic并初始化工作空间ROS Noetic安装命令比较固定sudo apt install -y ros-noetic-desktop-full桌面完整版会带上rviz、tf等可视化工具A-LOAM的Launch文件依赖这些组件所以不要装精简版。装完以后配置环境变量echo source /opt/ros/noetic/setup.bash ~/.bashrc source ~/.bashrc紧接着安装一些编译工具sudo apt install -y python3-rosdep python3-catkin-tools python3-rosinstall-generator这里有个可以跳过的坑很多教程让执行sudo rosdep init和rosdep update但这一步经常因为网络问题卡住而且A-LOAM编译过程其实不需要rosdep解析依赖因为它的依赖库我们手动装齐了。我实测下来跳过rosdep完全没问题能省不少时间。最后创建一个catkin工作空间mkdir -p ~/aloam_ws/src cd ~/aloam_ws catkin_make第一次跑catkin_make会自动生成build和devel目录可能报一些缺包的错误别慌后面把所有依赖装完再回来编译就不会了。3.2 Eigen3与PCL的安装与版本验证Eigen3和PCL直接通过apt安装就行sudo apt install -y libeigen3-dev libpcl-devUbuntu 20.04默认的Eigen是3.3.7PCL是1.10这两个版本配合A-LOAM源码没有问题。装完之后建议验证一下Eigen版本因为后面Ceres编译会用到Eigenpkg-config --modversion eigen3如果打印出3.3.x说明没问题。有些镜像里Eigen是3.4甚至更高版本3.4跟PCL 1.10配合可能出现点类型声明的兼容性报错一旦遇到最简单的办法是手动装回Eigen 3.3.7后面我会在排查章节详说。3.3 Ceres Solver编译安装版本坑详解Ceres是A-LOAM唯一的硬骨头。A-LOAM在CMakeLists里直接写死了Ceres依赖但它早期的代码是为Ceres 1.x设计的。Ubuntu 20.04用apt默认装的Ceres是1.14.0这是一个经过验证的稳妥选择sudo apt install -y libceres-dev如果你想通过源码安装Ceres务必锁定1.14.0版本不要装2.xsudo apt install -y libgoogle-glog-dev libgflags-dev libatlas-base-dev git clone https://github.com/ceres-solver/ceres-solver.git cd ceres-solver git checkout 1.14.0 mkdir build cd build cmake .. make -j$(nproc) sudo make install为什么这么强调版本因为Ceres 2.x对SPARSE_NORMAL_CHOLESKY等线性求解器的处理做了调整和A-LOAM源码里的调用方式不兼容编译阶段就会报错。如果你在用apt装Ceres时报错找不到包那就走源码安装路线注意checkout到1.14.0这个tag。3.4 OpenCV 4.x兼容性修复Ubuntu 20.04自带的OpenCV是4.2版本。A-LOAM源码里部分文件用的是OpenCV 3时代的头文件和接口编译时会报两类典型错误fatal error: opencv/cv.h: No such file or directoryerror: CV_LOAD_IMAGE_COLOR was not declared in this scope第一个错误是因为OpenCV 4把一些旧的C接口头文件移除了第二个是因为读取图像的方式变了。解决办法是手动修改A-LOAM源码中相关文件打开laserMapping.cpp把#include opencv/cv.h #include opencv/highgui.h改成#include opencv2/imgproc.hpp #include opencv2/highgui.hpp再把代码里所有CV_LOAD_IMAGE_COLOR改成cv::IMREAD_COLOR。修改之后重新编译即可。这也是我为什么强调用AutoDL而不是本地的原因——本地OpenCV版本可能比A-LOAM源码的适应范围更混乱而AutoDL上一个干净环境里修改点就那么两处改完就过。4. A-LOAM源码编译、数据集准备与运行环境配好之后把源码拉下来编译运行整个复现就算完成大半了。4.1 拉取源码并编译完整命令流A-LOAM的源码位于HKUST-Aerial-Robotics的A-LOAM仓库在AutoDL终端里执行cd ~/aloam_ws/src git clone https://github.com/HKUST-Aerial-Robotics/A-LOAM.git cd ~/aloam_ws catkin_make第一次编译大概率会报错最常见的还是OpenCV头文件问题按3.4节的方法改完再重新编译。编译成功后会看到build目录下生成了aloam_velodyne、aloam_utils等可执行节点。编译完成后激活工作空间source ~/aloam_ws/devel/setup.bash注意每次新开终端要么重新source一次要么把这行加到~/.bashrc里。4.2 数据集准备两种高效方案跑A-LOAM需要一份激光雷达录制的rosbag。这里介绍两种方案按需要选择。方案一直接下载别人转好的小bag。最经典的是LOAM作者提供过的室内场景bag——nsh_indoor_outdoor.bag数据量小、场景简单几十秒就能跑完非常适合验证环境是否正确。这个bag文件网上资源很多AutoDL下载也方便。方案二使用KITTI数据集。KITTI是自动驾驶公开数据集A-LOAM仓库自带的kitti_helper节点就是为此设计的。你需要把KITTI odometry数据集的某个序列下载下来然后修改kitti_helper.cpp里数据路径的宏定义重新编译。KITTI的数据是bin格式kitti_helper节点会负责把bin文件转换成ROS点云话题发布。这种方法更贴近论文实验场景但KITTI数据下载体积较大下载速度也看网络。我第一次跑的时候选的方案一主要原因是快能迅速验证整个流程通不通。等环境完全跑通、你开始研究参数对效果的影响时再上KITTI也不迟。4.3 启动launch与rviz可视化实操下载好bag文件后启动A-LOAMroslaunch aloam_velodyne aloam_velodyne_VLP_16.launch接着播放bagrosbag play nsh_indoor_outdoor.bag这时终端会刷出大量递帧里程计信息。如果希望慢速播放观察建图过程可以加一个速率参数rosbag play -r 0.5 nsh_indoor_outdoor.bag可视化方面AutoDL实例默认没有桌面环境但你可以通过两种方式看到rviz窗口。第一种是通过AutoDL的VNC图形界面功能在控制台工具里开启VNC后网页端就能看到远程桌面然后在远程桌面里运行rviz第二种是把生成的pcd点云地图文件下载到本地用CloudCompare打开查看。A-LOAM运行过程中rviz里固定坐标系选择camera_init添加PointCloud2话题/velodyne_cloud_registered和/map就能看到点云地图逐渐累积的过程。如果你不方便开rviz也不影响验证——A-LOAM在跑完bag后会把完整地图保存成map.pcd文件路径在launch文件里配置默认是当前目录。4.4 无桌面环境下的结果查看替代方案如果你不想折腾VNC我的建议是把点云结果拿到本地看。运行结束后用scp命令把map.pcd从AutoDL拉回本地scp -P 32373 rootconnect.xxx.seetacloud.com:~/aloam_ws/map.pcd .本地用CloudCompare或者Open3D打开旋转视角就能看到完整的建图效果。这个方法虽然少了实时观看的快感但在验证算法效果上完全够用而且非常适合自动化批量测试不同数据集。5. 踩坑记录编译报错与运行异常的排查速查表复现A-LOAM踩坑是必然的。我把高频问题集中整理成一个表格每个问题都附上解决办法。5.1 高频编译错误与修复方法报错信息原因解决方法fatal error: opencv/cv.h: No such file or directoryOpenCV 4移除了旧头文件修改laserMapping.cpp中的头文件引用CV_LOAD_IMAGE_COLOR未声明OpenCV 3旧接口替换为cv::IMREAD_COLORCeres版本相关模板编译报错Ceres 2.x兼容性问题统一使用Ceres 1.14.0Eigen和PCL类型不兼容Eigen版本过高降级Eigen到3.3.7找不到aloam_velodyne包工作空间未source执行source ~/aloam_ws/devel/setup.bash其中Eigen 3.4的问题比较隐蔽报错信息可能是一大段模板错误很多人看到就懵了。遇到这种问题先跑一下pkg-config --modversion eigen3确认版本只要是3.4就果断装回3.3.7不要试图改源码适配成本完全不成比例。5.2 节点启动即退出与话题不通的定位思路A-LOAM启动后如果某个节点秒退可以先看launch文件里对应的node名字然后在终端单独运行该节点看具体报错。比如laserMapping节点启动后不打印任何信息就退出大概率是依赖的TF树没有建立这时候要先看看transformMaintenance节点是否正常启动。话题不通也是常见问题。A-LOAM订阅的点云话题默认是/velodyne_points如果bag文件里的话题名不是这个rviz里自然看不到任何点云。排查方法很简单rostopic list看bag播放时有没有/velodyne_points这个话题。如果没有就需要用rosbag info查看实际话题名然后修改launch文件中的remap参数把A-LOAM订阅的话题映射到bag的实际话题上。5.3 时间戳、坐标系与点云坐标系对齐rviz里看不到点云除了话题名问题另一个高频原因是坐标系不对。A-LOAM的规划里所有点云都变换到camera_init坐标系下如果rviz的Fixed Frame没设置成camera_init点云会因为坐标系不存在而不显示。另外bag中如果同时包含多个传感器数据可能出现时间戳不同步的问题。A-LOAM对点云时间戳比较敏感一旦中间有空白期算法可能突然跳到错误的位置现象就是点云地图突然出现巨大跳变。解决方法是降低播放速度rosbag play -r 0.3 xxx.bag实在不行可以尝试用rostopic delay工具做时间对齐但大多数情况下降低播放速度已经够了。5.4 AutoDL特定问题端口、存储与镜像复用AutoDL自身也有几个容易踩的点。第一是SSH端口渐变——实例每次重新开机SSH端口和地址都可能变化所以每次开机都要去控制台重新确认连接信息。不要用之前存的连接串硬连连不上就怀疑平台出问题其实只是端口变了。第二是存储空间。A-LOAM本身占用空间不大但如果用KITTI数据集几十GB的数据一下就能塞爆系统盘。创建实例时尽量选带数据盘的套餐KITTI数据放数据盘不要堆在系统盘里。第三是镜像复用。AutoDL关机后可以保存镜像如果你在A-LOAM环境上已经配好了一套完整依赖跑完一次实验后可以把当前环境保存成自定义镜像下次要再跑别的SLAM算法时直接基于这个镜像创建实例能省下重新配环境的时间。不过注意镜像保存会占用存储费用不需要的时候及时清理就行。6. 一轮跑通之后从复现到二次开发的进阶建议环境跑通、看到点云地图那一刻复现任务算是完成了。但如果你觉得就这样结束了那有点可惜——A-LOAM能教会你的东西远不止“会跑一个demo”。6.1 理解代码结构与关键节点A-LOAM有四个核心节点scanRegistration负责从原始点云中提取角点特征和平面特征laserOdometry负责帧间配准并输出高频里程计laserMapping负责维护局部地图做优化transformMaintenance负责维护TF坐标变换。建议按这个顺序读代码先读scanRegistration理解特征点的定义规则再读laserOdometry理解帧间配准的代价函数laserMapping里涉及Ceres的部分是理解A-LOAM和原版LOAM差异的关键。我个人的经验是读完scanRegistration之后你对“角点特征尽量选在锐利边缘平面特征尽量选在平滑平面”这个SLAM基本逻辑会有非常直观的理解这将帮你今后阅读FAST-LIO、LIO-SAM等更复杂的算法时打下基础。6.2 更换数据集的几个修改点如果你想把A-LOAM跑在自己录制的数据上通常要修改launch文件里的这几个参数点云话题名remap到你的雷达话题雷达线数VLP-16是16线HDL-64是64线直接影响特征提取参数雷达扫描周期默认0.1秒对应10Hz点云强度阈值关系到角点特征提取的过滤条件修改后重新编译或直接修改launch文件里的参数即可A-LOAM这一块做得很灵活不需要改算法源码。6.3 从A-LOAM到FAST-LIO的下一步选择跑通A-LOAM后如果想继续在激光SLAM方向深入比较自然的进阶路线是FAST-LIO、FAST-LIO2再往后是LIO-SAM这类融合了惯性导航和回环检测的完整系统。你会发现这些系统的核心模块里多少都有A-LOAM的影子点云特征提取、帧间配准、局部地图维护这些概念是贯穿整个激光SLAM领域的公共知识把A-LOAM吃透了再上手别的算法会轻松很多。FAST-LIO2同样很适合在AutoDL上复现因为它对CPU性能有一定要求AutoDL的机器配置通常比个人电脑好不少跑起来更流畅。复现A-LOAM这件事说难不难但坑确实不少。我在AutoDL上花了不到半天时间就完成了环境搭建和实跑验证对比之前在本地虚拟机里折腾的两天效率高太多了。这里面最大的心得就是不要把时间浪费在环境配置上尤其当你只是想理解算法本身时用AutoDL这种可以快速销毁重建的云端环境是性价比最高的选择。最后再分享一个小技巧把A-LOAM跑通后先别着急换数据集把bag播放速度调成0.3倍盯着rviz里的点云地图看一遍完整的建图过程。盯着点云逐渐累积、墙壁和桌子的轮廓慢慢浮现你会对激光SLAM在建图时“前一帧是怎么和当前帧对齐的”这个抽象概念产生非常直观的理解。这个感受是看任何文档和论文都换不来的。 
长河君 · 2026/10/3 1:05:21 · 阅读 1.2k 在AutoDL上快速复现A-LOAM：激光SLAM云端环境搭建全指南
如果你也是刚把A-LOAM的仓库拉下来在本地Ubuntu上折腾了一整天要么被Ceres版本卡住要么被OpenCV头文件按在地上摩擦那我建议你直接换个思路去AutoDL上开一台机器来复现。这不是“偷懒”而是把有限的精力花在真正该研究的算法上而不是跟依赖库较劲。A-LOAM是激光SLAM入门的经典项目它去掉了原版LOAM里晦涩的非线性优化实现改用Ceres Solver重新组织代码结构清晰很多非常适合用来理解激光里程计和建图的完整链路。这篇文章我从头到尾走一遍在AutoDL上复现A-LOAM的完整流程包括实例创建、环境配置、源码编译、数据集准备、运行演示以及我在这条路上踩过的所有坑。适合刚入门激光SLAM、想快速跑通一个真实SLAM系统、又不愿意在本地环境配置上浪费太多时间的同学。1. 先别急着上手A-LOAM复现到底是在复现什么很多人一上来就复制命令跑通了也不知道自己在跑什么。我建议先花五分钟把A-LOAM的来龙去脉理清楚后面遇到问题才不至于两眼一抹黑。1.1 LOAM与A-LOAM的差异为什么选择A-LOAM入门LOAMLiDAR Odometry and Mapping是Zhang Ji等人提出的激光SLAM算法港科大沈劭劼团队在开源时做了不少工程化改进A-LOAM就是其中一个广为人知的版本。A-LOAM保留了LOAM的核心思路前端做特征提取角点和平面点中端做帧间配准得到里程计后端维护局部地图做优化最后输出高频低精度的里程计结果和低频高精度的建图结果。A-LOAM和原版LOAM最大的区别在于它把后端优化部分从作者自己实现的非线性优化改成了Ceres Solver代码量更少、结构更清晰对于想学习算法细节的人来说友好得多。A-LOAM还适配了多种激光雷达型号提供VLP-16、HDL-64等launch文件这也是很多人拿它当入门项目的原因。不过它也有明显的特点A-LOAM没有后端回环检测也没有完整的图优化框架它更像一个“轻量级激光里程计建图”的演示系统。理解这一点很重要因为后续你换数据集、改参数预期要跟实际情况匹配。1.2 复现所需的技术栈清单在动手之前先盘点一下A-LOAM依赖的核心库这样配置环境的时候才知道每一步在干什么ROS整个系统的通信框架A-LOAM的节点通过ROS话题收发点云、位姿和地图。Eigen3矩阵运算库A-LOAM的位姿解算大量用到Eigen的数据结构。Ceres Solver非线性优化库A-LOAM的后端优化全依赖它。PCL点云处理库用于点云滤波、特征提取和可视化。OpenCVA-LOAM在视觉辅助部分用到比如点云强度图的投影显示。这里面的核心是ROS和Ceres。ROS不用多说整个A-LOAM就是几个ROS节点在协作Ceres则是A-LOAM和原版LOAM差异最大的地方也是编译时最容易出幺蛾子的环节后面我会单独讲版本问题。1.3 为什么在AutoDL上复现而不是本地虚拟机我自己在本地踩过不少坑。如果你用的是Windows得装双系统或虚拟机虚拟机里跑ROS本身就别扭如果你用的是Mac对不起ROS的体验更糟。就算你本地是Ubuntu一旦系统里已经装过别的深度学习环境、OpenCV版本冲突A-LOAM的编译就会一团乱麻。AutoDL的价值在于它提供干净的Linux环境、按小时计费、配置可以随时销毁重建而且有“无卡模式开机”这种省钱机制。A-LOAM本身不需要GPU算力纯CPU就能跑但AutoDL的便利性在于环境隔离和快速重置——装坏了就销毁重来不用像本地环境一样畏首畏尾。另外AutoDL自带国内访问速度快的源下载依赖库和数据集都比本地省心。2. AutoDL算力云实例创建与环境准备既然决定用AutoDL第一步就是在平台上创建一台合适的实例。这一步看似简单但有几个细节直接影响后续效率。2.1 镜像选择版本坑从这一步就避开创建实例时平台会让你选基础镜像。很多人习惯性选PyTorch、TensorFlow这些带深度学习框架的镜像但对A-LOAM来说这些框架完全用不上反而会带来OpenCV版本冲突的隐患。我的建议是选“Miniconda”或者不带深度学习框架的基础镜像。为什么因为A-LOAM需要的ROS、Eigen、PCL、Ceres都是系统级依赖跟conda环境里的Python包关系不大选择净净的基础镜像后续自己装ROS反而更可控。如果你运气好在社区镜像里能搜到带ROS的镜像那确实能省不少时间但我不太推荐——因为你不知道镜像作者用的是什么版本组合一旦和A-LOAM源码不兼容排查起来更痛苦。注意一下镜像对应的Ubuntu版本。A-LOAM是ROS 1时代的老项目用Ubuntu 20.04搭配ROS Noetic最稳妥。AutoDL大多数基础镜像默认就是Ubuntu 20.04创建实例前在镜像详情里确认一下即可。2.2 实例创建与SSH登录关键参数创建实例时选择一张便宜的GPU卡就行。A-LOAM跑起来连GPU的1%都用不到本质是CPU密集型任务选最低配的卡就是为了开机的入场券。如果你只是为了跑通A-LOAM选择按量计费用多久算多久跑完就关机销毁成本可以控制在几块钱以内。实例创建成功后会进入“开机中”状态稍等片刻就能在实例列表看到SSH登录指令类似这样ssh -p 32373 rootconnect.xxx.seetacloud.com密码在实例信息页面可以查看。我第一次用时对着这个端口号愣了半天后来才意识到AutoDL的SSH不是默认22端口而是每个实例随机分配一个高位端口连接时一定要把-p参数带上。登录之后建议先跑一遍系统更新apt update apt upgrade -yAutoDL的apt源默认已经配置成了国内镜像下载速度相当快这一步几乎不用等。2.3 无卡模式与VS Code远程连接的省钱省心技巧AutoDL有两个功能我觉得对复现A-LOAM来说比GPU本身更有用一是“无卡模式开机”二是“VSCode远程连接”。无卡模式的意思是实例开机时不分配GPU只保留CPU和内存计费价格低很多。A-LOAM整个流程——装环境、编译、跑数据集——完全不需要GPU所以我的做法是先关机然后勾选“无卡模式开机”在这个模式下把所有环境配置好、编译通过、跑完数据再关机销毁。钱花得极少体验却一点不差。VS Code远程连接适合需要频繁改代码的人。本地VS Code装好Remote-SSH插件后用AutoDL实例的SSH信息直接连接代码在远端跑本地看日志、改文件都很方便。跑A-LOAM时我经常需要看rviz窗口用VS Code配合终端和端口转发比每次都去网页终端敲命令高效很多。3. 从零手写ROS与核心依赖库配置环境配置是复现A-LOAM过程中最容易劝退人的部分。我尽量把每一步的命令写完整并且解释为什么这么做。3.1 安装ROS Noetic并初始化工作空间ROS Noetic安装命令比较固定sudo apt install -y ros-noetic-desktop-full桌面完整版会带上rviz、tf等可视化工具A-LOAM的Launch文件依赖这些组件所以不要装精简版。装完以后配置环境变量echo source /opt/ros/noetic/setup.bash ~/.bashrc source ~/.bashrc紧接着安装一些编译工具sudo apt install -y python3-rosdep python3-catkin-tools python3-rosinstall-generator这里有个可以跳过的坑很多教程让执行sudo rosdep init和rosdep update但这一步经常因为网络问题卡住而且A-LOAM编译过程其实不需要rosdep解析依赖因为它的依赖库我们手动装齐了。我实测下来跳过rosdep完全没问题能省不少时间。最后创建一个catkin工作空间mkdir -p ~/aloam_ws/src cd ~/aloam_ws catkin_make第一次跑catkin_make会自动生成build和devel目录可能报一些缺包的错误别慌后面把所有依赖装完再回来编译就不会了。3.2 Eigen3与PCL的安装与版本验证Eigen3和PCL直接通过apt安装就行sudo apt install -y libeigen3-dev libpcl-devUbuntu 20.04默认的Eigen是3.3.7PCL是1.10这两个版本配合A-LOAM源码没有问题。装完之后建议验证一下Eigen版本因为后面Ceres编译会用到Eigenpkg-config --modversion eigen3如果打印出3.3.x说明没问题。有些镜像里Eigen是3.4甚至更高版本3.4跟PCL 1.10配合可能出现点类型声明的兼容性报错一旦遇到最简单的办法是手动装回Eigen 3.3.7后面我会在排查章节详说。3.3 Ceres Solver编译安装版本坑详解Ceres是A-LOAM唯一的硬骨头。A-LOAM在CMakeLists里直接写死了Ceres依赖但它早期的代码是为Ceres 1.x设计的。Ubuntu 20.04用apt默认装的Ceres是1.14.0这是一个经过验证的稳妥选择sudo apt install -y libceres-dev如果你想通过源码安装Ceres务必锁定1.14.0版本不要装2.xsudo apt install -y libgoogle-glog-dev libgflags-dev libatlas-base-dev git clone https://github.com/ceres-solver/ceres-solver.git cd ceres-solver git checkout 1.14.0 mkdir build cd build cmake .. make -j$(nproc) sudo make install为什么这么强调版本因为Ceres 2.x对SPARSE_NORMAL_CHOLESKY等线性求解器的处理做了调整和A-LOAM源码里的调用方式不兼容编译阶段就会报错。如果你在用apt装Ceres时报错找不到包那就走源码安装路线注意checkout到1.14.0这个tag。3.4 OpenCV 4.x兼容性修复Ubuntu 20.04自带的OpenCV是4.2版本。A-LOAM源码里部分文件用的是OpenCV 3时代的头文件和接口编译时会报两类典型错误fatal error: opencv/cv.h: No such file or directoryerror: CV_LOAD_IMAGE_COLOR was not declared in this scope第一个错误是因为OpenCV 4把一些旧的C接口头文件移除了第二个是因为读取图像的方式变了。解决办法是手动修改A-LOAM源码中相关文件打开laserMapping.cpp把#include opencv/cv.h #include opencv/highgui.h改成#include opencv2/imgproc.hpp #include opencv2/highgui.hpp再把代码里所有CV_LOAD_IMAGE_COLOR改成cv::IMREAD_COLOR。修改之后重新编译即可。这也是我为什么强调用AutoDL而不是本地的原因——本地OpenCV版本可能比A-LOAM源码的适应范围更混乱而AutoDL上一个干净环境里修改点就那么两处改完就过。4. A-LOAM源码编译、数据集准备与运行环境配好之后把源码拉下来编译运行整个复现就算完成大半了。4.1 拉取源码并编译完整命令流A-LOAM的源码位于HKUST-Aerial-Robotics的A-LOAM仓库在AutoDL终端里执行cd ~/aloam_ws/src git clone https://github.com/HKUST-Aerial-Robotics/A-LOAM.git cd ~/aloam_ws catkin_make第一次编译大概率会报错最常见的还是OpenCV头文件问题按3.4节的方法改完再重新编译。编译成功后会看到build目录下生成了aloam_velodyne、aloam_utils等可执行节点。编译完成后激活工作空间source ~/aloam_ws/devel/setup.bash注意每次新开终端要么重新source一次要么把这行加到~/.bashrc里。4.2 数据集准备两种高效方案跑A-LOAM需要一份激光雷达录制的rosbag。这里介绍两种方案按需要选择。方案一直接下载别人转好的小bag。最经典的是LOAM作者提供过的室内场景bag——nsh_indoor_outdoor.bag数据量小、场景简单几十秒就能跑完非常适合验证环境是否正确。这个bag文件网上资源很多AutoDL下载也方便。方案二使用KITTI数据集。KITTI是自动驾驶公开数据集A-LOAM仓库自带的kitti_helper节点就是为此设计的。你需要把KITTI odometry数据集的某个序列下载下来然后修改kitti_helper.cpp里数据路径的宏定义重新编译。KITTI的数据是bin格式kitti_helper节点会负责把bin文件转换成ROS点云话题发布。这种方法更贴近论文实验场景但KITTI数据下载体积较大下载速度也看网络。我第一次跑的时候选的方案一主要原因是快能迅速验证整个流程通不通。等环境完全跑通、你开始研究参数对效果的影响时再上KITTI也不迟。4.3 启动launch与rviz可视化实操下载好bag文件后启动A-LOAMroslaunch aloam_velodyne aloam_velodyne_VLP_16.launch接着播放bagrosbag play nsh_indoor_outdoor.bag这时终端会刷出大量递帧里程计信息。如果希望慢速播放观察建图过程可以加一个速率参数rosbag play -r 0.5 nsh_indoor_outdoor.bag可视化方面AutoDL实例默认没有桌面环境但你可以通过两种方式看到rviz窗口。第一种是通过AutoDL的VNC图形界面功能在控制台工具里开启VNC后网页端就能看到远程桌面然后在远程桌面里运行rviz第二种是把生成的pcd点云地图文件下载到本地用CloudCompare打开查看。A-LOAM运行过程中rviz里固定坐标系选择camera_init添加PointCloud2话题/velodyne_cloud_registered和/map就能看到点云地图逐渐累积的过程。如果你不方便开rviz也不影响验证——A-LOAM在跑完bag后会把完整地图保存成map.pcd文件路径在launch文件里配置默认是当前目录。4.4 无桌面环境下的结果查看替代方案如果你不想折腾VNC我的建议是把点云结果拿到本地看。运行结束后用scp命令把map.pcd从AutoDL拉回本地scp -P 32373 rootconnect.xxx.seetacloud.com:~/aloam_ws/map.pcd .本地用CloudCompare或者Open3D打开旋转视角就能看到完整的建图效果。这个方法虽然少了实时观看的快感但在验证算法效果上完全够用而且非常适合自动化批量测试不同数据集。5. 踩坑记录编译报错与运行异常的排查速查表复现A-LOAM踩坑是必然的。我把高频问题集中整理成一个表格每个问题都附上解决办法。5.1 高频编译错误与修复方法报错信息原因解决方法fatal error: opencv/cv.h: No such file or directoryOpenCV 4移除了旧头文件修改laserMapping.cpp中的头文件引用CV_LOAD_IMAGE_COLOR未声明OpenCV 3旧接口替换为cv::IMREAD_COLORCeres版本相关模板编译报错Ceres 2.x兼容性问题统一使用Ceres 1.14.0Eigen和PCL类型不兼容Eigen版本过高降级Eigen到3.3.7找不到aloam_velodyne包工作空间未source执行source ~/aloam_ws/devel/setup.bash其中Eigen 3.4的问题比较隐蔽报错信息可能是一大段模板错误很多人看到就懵了。遇到这种问题先跑一下pkg-config --modversion eigen3确认版本只要是3.4就果断装回3.3.7不要试图改源码适配成本完全不成比例。5.2 节点启动即退出与话题不通的定位思路A-LOAM启动后如果某个节点秒退可以先看launch文件里对应的node名字然后在终端单独运行该节点看具体报错。比如laserMapping节点启动后不打印任何信息就退出大概率是依赖的TF树没有建立这时候要先看看transformMaintenance节点是否正常启动。话题不通也是常见问题。A-LOAM订阅的点云话题默认是/velodyne_points如果bag文件里的话题名不是这个rviz里自然看不到任何点云。排查方法很简单rostopic list看bag播放时有没有/velodyne_points这个话题。如果没有就需要用rosbag info查看实际话题名然后修改launch文件中的remap参数把A-LOAM订阅的话题映射到bag的实际话题上。5.3 时间戳、坐标系与点云坐标系对齐rviz里看不到点云除了话题名问题另一个高频原因是坐标系不对。A-LOAM的规划里所有点云都变换到camera_init坐标系下如果rviz的Fixed Frame没设置成camera_init点云会因为坐标系不存在而不显示。另外bag中如果同时包含多个传感器数据可能出现时间戳不同步的问题。A-LOAM对点云时间戳比较敏感一旦中间有空白期算法可能突然跳到错误的位置现象就是点云地图突然出现巨大跳变。解决方法是降低播放速度rosbag play -r 0.3 xxx.bag实在不行可以尝试用rostopic delay工具做时间对齐但大多数情况下降低播放速度已经够了。5.4 AutoDL特定问题端口、存储与镜像复用AutoDL自身也有几个容易踩的点。第一是SSH端口渐变——实例每次重新开机SSH端口和地址都可能变化所以每次开机都要去控制台重新确认连接信息。不要用之前存的连接串硬连连不上就怀疑平台出问题其实只是端口变了。第二是存储空间。A-LOAM本身占用空间不大但如果用KITTI数据集几十GB的数据一下就能塞爆系统盘。创建实例时尽量选带数据盘的套餐KITTI数据放数据盘不要堆在系统盘里。第三是镜像复用。AutoDL关机后可以保存镜像如果你在A-LOAM环境上已经配好了一套完整依赖跑完一次实验后可以把当前环境保存成自定义镜像下次要再跑别的SLAM算法时直接基于这个镜像创建实例能省下重新配环境的时间。不过注意镜像保存会占用存储费用不需要的时候及时清理就行。6. 一轮跑通之后从复现到二次开发的进阶建议环境跑通、看到点云地图那一刻复现任务算是完成了。但如果你觉得就这样结束了那有点可惜——A-LOAM能教会你的东西远不止“会跑一个demo”。6.1 理解代码结构与关键节点A-LOAM有四个核心节点scanRegistration负责从原始点云中提取角点特征和平面特征laserOdometry负责帧间配准并输出高频里程计laserMapping负责维护局部地图做优化transformMaintenance负责维护TF坐标变换。建议按这个顺序读代码先读scanRegistration理解特征点的定义规则再读laserOdometry理解帧间配准的代价函数laserMapping里涉及Ceres的部分是理解A-LOAM和原版LOAM差异的关键。我个人的经验是读完scanRegistration之后你对“角点特征尽量选在锐利边缘平面特征尽量选在平滑平面”这个SLAM基本逻辑会有非常直观的理解这将帮你今后阅读FAST-LIO、LIO-SAM等更复杂的算法时打下基础。6.2 更换数据集的几个修改点如果你想把A-LOAM跑在自己录制的数据上通常要修改launch文件里的这几个参数点云话题名remap到你的雷达话题雷达线数VLP-16是16线HDL-64是64线直接影响特征提取参数雷达扫描周期默认0.1秒对应10Hz点云强度阈值关系到角点特征提取的过滤条件修改后重新编译或直接修改launch文件里的参数即可A-LOAM这一块做得很灵活不需要改算法源码。6.3 从A-LOAM到FAST-LIO的下一步选择跑通A-LOAM后如果想继续在激光SLAM方向深入比较自然的进阶路线是FAST-LIO、FAST-LIO2再往后是LIO-SAM这类融合了惯性导航和回环检测的完整系统。你会发现这些系统的核心模块里多少都有A-LOAM的影子点云特征提取、帧间配准、局部地图维护这些概念是贯穿整个激光SLAM领域的公共知识把A-LOAM吃透了再上手别的算法会轻松很多。FAST-LIO2同样很适合在AutoDL上复现因为它对CPU性能有一定要求AutoDL的机器配置通常比个人电脑好不少跑起来更流畅。复现A-LOAM这件事说难不难但坑确实不少。我在AutoDL上花了不到半天时间就完成了环境搭建和实跑验证对比之前在本地虚拟机里折腾的两天效率高太多了。这里面最大的心得就是不要把时间浪费在环境配置上尤其当你只是想理解算法本身时用AutoDL这种可以快速销毁重建的云端环境是性价比最高的选择。最后再分享一个小技巧把A-LOAM跑通后先别着急换数据集把bag播放速度调成0.3倍盯着rviz里的点云地图看一遍完整的建图过程。盯着点云逐渐累积、墙壁和桌子的轮廓慢慢浮现你会对激光SLAM在建图时“前一帧是怎么和当前帧对齐的”这个抽象概念产生非常直观的理解。这个感受是看任何文档和论文都换不来的。