Ubuntu20.04下LeGO-LOAM实战：使用KITTI-00数据集与evo评测（小白友好教程）

解压后，数据集包含点云文件和时间戳。确保路径结构清晰，例如 ~/data/kitti/00/velodyne/ 存放点云数据。

三、安装和编译LeGO-LOAM

LeGO-LOAM是一个轻量级的地面优化LOAM算法，适用于实时里程计和建图。关键词LeGO-LOAM是本文的核心SLAM算法。

• 克隆LeGO-LOAM仓库：运行 git clone https://github.com/RobustFieldAutonomyLab/LeGO-LOAM.git 到您的catkin工作空间（例如 ~/catkin_ws/src/）。
• 编译：进入catkin工作空间，运行 cd ~/catkin_ws && catkin_make -j1（初次编译建议使用-j1避免错误）。
• 注意：如果使用ROS Noetic，可能需要修改CMakeLists.txt和package.xml，例如将依赖调整为ros-noetic-版本。

四、运行LeGO-LOAM on KITTI-00数据集

配置LeGO-LOAM以读取KITTI数据集。KITTI数据需要转换为ROS bag或直接读取，这里使用直接读取方式，修改LeGO-LOAM的配置文件。

• 修改utility.h文件：在LeGO-LOAM的include/utility.h中，设置数据集路径和参数，例如 string dataset_folder = "/home/user/data/kitti/00/";。
• 运行LeGO-LOAM节点：首先启动ROS核心，运行 roscore。然后在新终端中运行 roslaunch lego_loam run.launch。
• 播放KITTI数据：使用自定义发布器或rosbag。例如，可以编写一个Python脚本将点云数据发布到/velodyne_points话题。运行后，LeGO-LOAM将输出里程计轨迹和地图到指定话题。

五、使用evo进行评测

evo是一个用于评估SLAM轨迹的工具，支持多种度量标准。关键词evo评测是评估SLAM性能的关键步骤。

• 安装evo：运行 pip install evo --upgrade --no-binary evo。确保Python3环境已配置。
• 保存轨迹：在运行LeGO-LOAM时，将输出的轨迹保存为文件。例如，使用rosbag记录或编写节点将/pose话题保存为TUM格式（时间戳和位姿）。
• 运行evo评估：首先下载KITTI-00的真值轨迹（从KITTI官网获取），然后运行命令计算绝对位姿误差：evo_ape kitti ground_truth.txt estimated.txt -r full --plot --save_results results.zip。这将生成误差图表和统计信息。
• 可视化：使用evo命令如 evo_traj kitti estimated.txt --ref=ground_truth.txt -p --plot_mode=xyz 来可视化轨迹对比。

六、结果分析与总结

通过evo输出，可以分析LeGO-LOAM在KITTI-00数据集上的性能，如轨迹误差、回环检测效果等。本教程提供了从数据准备到评测的完整流程，帮助您快速上手SLAM算法实践。在Ubuntu20.04系统中，使用LeGO-LOAM处理KITTI数据集并结合evo评测，是学习SLAM的经典案例。希望本教程对您有所帮助！如有问题，可参考LeGO-LOAM和evo的官方文档。