GLIM一套配置驱动 LiDAR-IMU 融合 3D 定位建图Jetson 上也能实时跑的开源框架【免费下载链接】glimGLIM: versatile and extensible point cloud-based 3D localization and mapping framework项目地址: https://gitcode.com/GitHub_Trending/glim/glimGLIM 是一个通用的 3D 定位建图SLAM即设备一边移动一边搞清楚自己在哪、周围长什么样框架。它统一处理 LiDAR 点云与 IMU惯性测量单元负责记录加速度和角速度数据帮你实时估计位姿、生成全局一致的地图。三类场景一套管线机器人导航机器人在未知环境边走边建图GLIM 同时输出轨迹与地图。自动驾驶测试官方 demo 用 Livox MID360 完成了户外驾驶建图测试。AR/VR 与室内定位固态 LiDAR如 Realsense L515和 RGB-D 相机如 Azure Kinect可直接接入。对工程同学的直接价值是换传感器时主要改配置不用重写算法管线。项目定位一个能覆盖 GPU 到 Jetson 的点云 SLAM 框架核心亮点特性 效果传感器无关旋转式、非重复扫描、固态 LiDAR 与 RGB-D 共用一条管线同一套参数直接跑。GPU 加速 轻量模式默认 GPU 加速保精度CPU 轻量模式可下放到树莓派级别设备实时运行。内置地图纠错界面建图出错的区段可以离线手动修正不必整段重跑。数据是怎么流动的下面这张流程图对应 GLIM 的四段式数据流各节说明取自 官方文档目录 与源码模块划分预处理先滤掉近处噪点再随机降采样控制后续计算量。里程计估计用 IMU 预积分加 VGICP一种按体素索引加速的广义 ICP 点云配准滚动优化输出短时位姿。子地图构建把关键帧打包成子地图先做局部优化相当于分块打草稿。全局优化可以理解为多路证据一起拼拼图——IMU 预积分因子、相邻位姿约束、子地图间的配准误差因子各提供一条证据拼出全局一致的位姿。子地图重叠度超过阈值时自动建立约束隐式闭环由此完成。最短路径跑起来PPA 二进制安装官方推荐用 PPA 二进制包省去逐个编译 GTSAM、gtsam_points 等依赖。以 Ubuntu 22.04 / 24.04 ROS2 为例# 1. 添加 PPA 源 curl -s https://koide3.github.io/ppa/setup_ppa.sh | sudo bash # 2. 安装 GLIM 的 ROS2 包按需选择 CUDA 版本 sudo apt update sudo apt install -y ros-humble-glim-ros # 无 GPUCPU 版 sudo apt install -y ros-humble-glim-ros-cuda12.2 # 有 NVIDIA GPUCUDA 版 # 3. 修改 config/config_sensors.json 中的外参与 config_ros.json 中的话题名 # 4. 回放演示数据 ros2 run glim_ros glim_rosbag os1_128_01没有 PPA 的发行版可走源码编译步骤见 安装文档不想装 ROS 环境也可以直接用预构建 Docker 镜像见 Docker 文档。跑完后地图与轨迹会存到/tmp/dump用offline_viewer打开即可查看、修图。关键参数调节对照表参数位置在config/目录的 JSON 文件里改完 ROS2 环境需要重新colcon build或启动时用--ros-args -p config_path:...指向自定义目录。下表只列最常用的 6 个含义见 参数说明文档参数默认值往哪个方向调random_downsample_target10000调小如 5000→ 速度明显变快精度略降voxel_resolution0.25室内调小0.1~0.25→ 配准更精细voxelmap_levels2调大 → 对大幅位移更鲁棒计算略增max_num_keyframes15调大 → 里程计漂移减小内存占用上升keyframe_update_strategyOVERLAP重叠率策略自适应性强DISPLACEMENT 更直观好调min_implicit_loop_overlap0.2调小 → 建更多隐式闭环约束全局更紧一个典型的 GPU 里程计配置片段config/config_odometry_gpu.jsonvoxel_resolution: 0.25, voxelmap_levels: 2, max_num_keyframes: 15, keyframe_update_strategy: OVERLAP实测与部署情况先说结论同一套参数可以横跨多种 LiDAR 直接复用轻量模式在嵌入式平台上能实时跑。多传感器通用官方 demo 中 Livox、Velodyne、Azure Kinect、Realsense L515 使用同一组参数完成建图无需逐传感器调参见 demo 文档。嵌入式实时Jetson Nano 上可实时运行纯里程计估计无全局优化配合 Jetson OrinJetPack 6.1也在官方测试范围内。平台覆盖官方在 Ubuntu 22.04 / 24.04、CUDA 12.2 / 12.6 / 13.1 上验证过。常见问题 FAQQIMU 数据没对准、初始化就翻车静止放置设备IMU 静止时 z 轴朝上线性加速度应约为 [0, 0, 9.81]。若你的 IMU 单位是 g如 Livox把config_ros.json里的acc_scale设为 9.80665。时间戳问题则靠 ROS 话题时间检查配合config_sensors.json里的T_lidar_imu外参一起排查。Q点云配准失败、位姿乱跳先检查 LiDAR-IMU 外参再按顺序调voxelmap_levels调到 3、关键帧策略改成DISPLACEMENT并加大位移阈值。Q内存占用大、跑长 bag 吃力把random_downsample_target降到 5000、max_num_keyframes调小或直接用 CPU 轻量组合config_odometry_cpu.json 透传子地图官方明确支持这种低配跑法。Q设备上没有 IMU 怎么办切到纯 LiDAR 里程计config.json里config_odometry指向config_odometry_ct.json并在子地图与全局优化配置中把enable_imu设为false。选型建议它适合谁适合用 GLIM 的情况项目里有多种测距传感器想避免为每种传感器维护一套 SLAM 代码。需要 GPU 加速的实时建图同时希望保留低配设备的轻量降级方案。建图结果允许事后人工介入用离线查看器手动补闭环、清理动态物体点。技术栈是 ROS / ROS2尤其是 ROS2humble / jazzy 均有现成包。暂不适合的情况只有双目立体相机而没有深度/点云输出——官方明确建议这类传感器改用视觉 SLAM。必须用 CUDA 11 或更老版本——当前版本不支持。只需要纯视觉或语义建图点云不是你的主数据源。收尾GLIM 把传感器差异、计算档位、优化环节都收敛成了配置文件里的一行字符串。先按最短路径跑通演示数据再对照参数表接入自己的传感器是最省事的路线。【免费下载链接】glimGLIM: versatile and extensible point cloud-based 3D localization and mapping framework项目地址: https://gitcode.com/GitHub_Trending/glim/glim创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/10/23 2:37:09 · 阅读 1.2k GLIM：一套配置驱动 LiDAR-IMU 融合 3D 定位建图，Jetson 上也能实时跑的开源框架
GLIM一套配置驱动 LiDAR-IMU 融合 3D 定位建图Jetson 上也能实时跑的开源框架【免费下载链接】glimGLIM: versatile and extensible point cloud-based 3D localization and mapping framework项目地址: https://gitcode.com/GitHub_Trending/glim/glimGLIM 是一个通用的 3D 定位建图SLAM即设备一边移动一边搞清楚自己在哪、周围长什么样框架。它统一处理 LiDAR 点云与 IMU惯性测量单元负责记录加速度和角速度数据帮你实时估计位姿、生成全局一致的地图。三类场景一套管线机器人导航机器人在未知环境边走边建图GLIM 同时输出轨迹与地图。自动驾驶测试官方 demo 用 Livox MID360 完成了户外驾驶建图测试。AR/VR 与室内定位固态 LiDAR如 Realsense L515和 RGB-D 相机如 Azure Kinect可直接接入。对工程同学的直接价值是换传感器时主要改配置不用重写算法管线。项目定位一个能覆盖 GPU 到 Jetson 的点云 SLAM 框架核心亮点特性 效果传感器无关旋转式、非重复扫描、固态 LiDAR 与 RGB-D 共用一条管线同一套参数直接跑。GPU 加速 轻量模式默认 GPU 加速保精度CPU 轻量模式可下放到树莓派级别设备实时运行。内置地图纠错界面建图出错的区段可以离线手动修正不必整段重跑。数据是怎么流动的下面这张流程图对应 GLIM 的四段式数据流各节说明取自 官方文档目录 与源码模块划分预处理先滤掉近处噪点再随机降采样控制后续计算量。里程计估计用 IMU 预积分加 VGICP一种按体素索引加速的广义 ICP 点云配准滚动优化输出短时位姿。子地图构建把关键帧打包成子地图先做局部优化相当于分块打草稿。全局优化可以理解为多路证据一起拼拼图——IMU 预积分因子、相邻位姿约束、子地图间的配准误差因子各提供一条证据拼出全局一致的位姿。子地图重叠度超过阈值时自动建立约束隐式闭环由此完成。最短路径跑起来PPA 二进制安装官方推荐用 PPA 二进制包省去逐个编译 GTSAM、gtsam_points 等依赖。以 Ubuntu 22.04 / 24.04 ROS2 为例# 1. 添加 PPA 源 curl -s https://koide3.github.io/ppa/setup_ppa.sh | sudo bash # 2. 安装 GLIM 的 ROS2 包按需选择 CUDA 版本 sudo apt update sudo apt install -y ros-humble-glim-ros # 无 GPUCPU 版 sudo apt install -y ros-humble-glim-ros-cuda12.2 # 有 NVIDIA GPUCUDA 版 # 3. 修改 config/config_sensors.json 中的外参与 config_ros.json 中的话题名 # 4. 回放演示数据 ros2 run glim_ros glim_rosbag os1_128_01没有 PPA 的发行版可走源码编译步骤见 安装文档不想装 ROS 环境也可以直接用预构建 Docker 镜像见 Docker 文档。跑完后地图与轨迹会存到/tmp/dump用offline_viewer打开即可查看、修图。关键参数调节对照表参数位置在config/目录的 JSON 文件里改完 ROS2 环境需要重新colcon build或启动时用--ros-args -p config_path:...指向自定义目录。下表只列最常用的 6 个含义见 参数说明文档参数默认值往哪个方向调random_downsample_target10000调小如 5000→ 速度明显变快精度略降voxel_resolution0.25室内调小0.1~0.25→ 配准更精细voxelmap_levels2调大 → 对大幅位移更鲁棒计算略增max_num_keyframes15调大 → 里程计漂移减小内存占用上升keyframe_update_strategyOVERLAP重叠率策略自适应性强DISPLACEMENT 更直观好调min_implicit_loop_overlap0.2调小 → 建更多隐式闭环约束全局更紧一个典型的 GPU 里程计配置片段config/config_odometry_gpu.jsonvoxel_resolution: 0.25, voxelmap_levels: 2, max_num_keyframes: 15, keyframe_update_strategy: OVERLAP实测与部署情况先说结论同一套参数可以横跨多种 LiDAR 直接复用轻量模式在嵌入式平台上能实时跑。多传感器通用官方 demo 中 Livox、Velodyne、Azure Kinect、Realsense L515 使用同一组参数完成建图无需逐传感器调参见 demo 文档。嵌入式实时Jetson Nano 上可实时运行纯里程计估计无全局优化配合 Jetson OrinJetPack 6.1也在官方测试范围内。平台覆盖官方在 Ubuntu 22.04 / 24.04、CUDA 12.2 / 12.6 / 13.1 上验证过。常见问题 FAQQIMU 数据没对准、初始化就翻车静止放置设备IMU 静止时 z 轴朝上线性加速度应约为 [0, 0, 9.81]。若你的 IMU 单位是 g如 Livox把config_ros.json里的acc_scale设为 9.80665。时间戳问题则靠 ROS 话题时间检查配合config_sensors.json里的T_lidar_imu外参一起排查。Q点云配准失败、位姿乱跳先检查 LiDAR-IMU 外参再按顺序调voxelmap_levels调到 3、关键帧策略改成DISPLACEMENT并加大位移阈值。Q内存占用大、跑长 bag 吃力把random_downsample_target降到 5000、max_num_keyframes调小或直接用 CPU 轻量组合config_odometry_cpu.json 透传子地图官方明确支持这种低配跑法。Q设备上没有 IMU 怎么办切到纯 LiDAR 里程计config.json里config_odometry指向config_odometry_ct.json并在子地图与全局优化配置中把enable_imu设为false。选型建议它适合谁适合用 GLIM 的情况项目里有多种测距传感器想避免为每种传感器维护一套 SLAM 代码。需要 GPU 加速的实时建图同时希望保留低配设备的轻量降级方案。建图结果允许事后人工介入用离线查看器手动补闭环、清理动态物体点。技术栈是 ROS / ROS2尤其是 ROS2humble / jazzy 均有现成包。暂不适合的情况只有双目立体相机而没有深度/点云输出——官方明确建议这类传感器改用视觉 SLAM。必须用 CUDA 11 或更老版本——当前版本不支持。只需要纯视觉或语义建图点云不是你的主数据源。收尾GLIM 把传感器差异、计算档位、优化环节都收敛成了配置文件里的一行字符串。先按最短路径跑通演示数据再对照参数表接入自己的传感器是最省事的路线。【免费下载链接】glimGLIM: versatile and extensible point cloud-based 3D localization and mapping framework项目地址: https://gitcode.com/GitHub_Trending/glim/glim创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考