速腾16线雷达跑通FAST-LIO2：驱动配置、外参标定与建图优化全攻略

要说速腾16线雷达配FAST-LIO2这件事，我前前后后折腾了两个礼拜，中间踩过的坑比吃的盐还多。网上也不是没有教程，但要么只讲驱动，要么只讲算法，能直接把“速腾16线雷达 + FAST-LIO2 + ROS Melodic”串起来跑通的保姆级文章，我是真没找到。所以这篇我决定把自己从零开始的完整过程写下来，包括驱动怎么配、源码怎么编译、launch和yaml怎么改、外参怎么设、建图效果漂移了怎么排查，全部一次讲透。

这篇文章适合什么读者？就是你手里有一台速腾RS-LiDAR-16或者类似的多线机械雷达，电脑上装好了Ubuntu 18.04和ROS Melodic，想跑FAST-LIO2做实时定位建图，但对着GitHub仓库不知道从哪下手的人。如果你已经能正常看到雷达点云，但不清楚怎么把数据喂给FAST-LIO2，这篇同样适合你。我默认你懂最基本的ROS命令，比如roscore、roslaunch、rostopic，不需要你是大佬，但别完全没见过终端。

先说结论：速腾16线完全能跑FAST-LIO2，但前提是搞清楚三个关键点。第一，雷达驱动必须输出标准的sensor_msgs/PointCloud2话题，并且话题格式要符合FAST-LIO2对机械雷达点云的预期；第二，除了雷达，你还必须有一个IMU，因为FAST-LIO2是激光惯性紧耦合里程计，没有IMU它启动都起不来；第三，launch和yaml文件里的参数必须改对，尤其是lidar_type、scan_line、topic名称和外参，任何一个不对，效果都会非常拉胯。下面我开始一步步说。

1. 项目全貌与准备

1.1 速腾16线雷达和FAST-LIO2是什么

先捋一下这两个主角。速腾RS-LiDAR-16是RoboSense家非常经典的一款16线机械式激光雷达，水平360度扫描，垂直视角大概30度（上下各15度），测距范围在20厘米到150米左右，点频约30万点每秒，默认通过以太网UDP协议输出点云。它在户外机器人和低速无人车上用得很多，因为性价比高、装车简单。

FAST-LIO2是香港大学MaRS Lab开源的激光惯性里程计，全称是Fast LiDAR-Inertial Odometry，核心思路是用迭代扩展卡尔曼滤波器把激光雷达点云和IMU数据紧耦合在一起，一边算状态估计一边更新ikd-Tree维护的地图。相比LOAM这类纯激光里程计，它的优势是运动畸变处理更好、初始化快、地图局部精度高，而且对计算资源要求比较友好。

这两者搭配起来很自然：速腾16线提供三维点云，IMU提供角速度和加速度，FAST-LIO2把两者融合，输出雷达位姿和增量地图。实际测试下来，在室内和园区场景，只要参数调对、运动不过分剧烈，效果能做到比较稳定的厘米到分米级精度。当然你要指望它像多线高精雷达那样做超大场景的全局地图，那不太现实，但做实时定位建图是完全够用的。

1.2 软硬件环境清单

我这次使用的环境是：

• 笔记本电脑一台，CPU是i7-8750H，内存16GB，核显就够，不需要独显
• Ubuntu 18.04.5，ROS Melodic完整版（ros-melodic-desktop-full）
• 速腾RS-LiDAR-16一台，用的是在线网络连接模式，不是离线pcap包
• IMU用的是自制的MPU6050模块，通过Arduino转串口发ROS消息，话题名/imu/data，消息类型sensor_msgs/Imu，频率200Hz
• 雷达和电脑用网线直连，雷达默认IP 192.168.1.200，电脑手动设置IP为192.168.1.102

需要注意，FAST-LIO2的代码对ROS版本要求其实不高，Melodic和Noetic都能编译。但是驱动部分如果你用RoboSense官方新版rslidar_sdk，它对ROS版本有一些严格要求，Melodic没问题。如果你的系统是Ubuntu 20.04 + ROS Noetic，驱动部分可能要换用更新的SDK版本，这个后面细说。

1.3 动手前必须搞懂的四个概念

动手之前，我先讲几个绕不开的概念，搞懂它们能帮你少走很多弯路。

第一是点云话题消息类型。驱动输出的点云话题，消息类型通常是sensor_msgs/PointCloud2。FAST-LIO2接收的话题类型在官方代码里也兼容PointCloud2，所以关键在于设置正确的topic名称，比如/rslidar_points或者/velodyne_points，只要两边对上就行。

第二是lidar_type参数。FAST-LIO2预处理代码里用整数区分不同雷达的点云结构：0代表Livox系列，1代表Velodyne这类机械旋转雷达，2代表Ouster。速腾16线本质上也是机械旋转雷达，点云排列方式和Velodyne类似，所以一般设置lidar_type为1。如果你的点云时间戳格式特殊，可能还需要改preprocess代码，但大多数情况下用1就行。

第三是点云的时间戳类型。FAST-LIO2做运动畸变补偿时，需要知道每个点是在扫描周期内的哪个时刻采到的。机械雷达消息里，每个点的相对时间通常存在PointCloud2的time字段（PointXYZIRT格式有time），如果你的驱动输出的是不带每点时间的PointXYZI，那FAST-LIO2只能用默认方式近似，也就是把一次扫描里的点都安排到0到0.1秒的时间跨度里，这个需要和驱动配置配合好。

第四是外参。雷达和IMU之间的安装位置关系，用旋转矩阵和平移向量表示，定义在FAST-LIO2的yaml文件里。如果外参不准，里程计会漂移，严重时甚至崩掉。稍后我会仔细讲怎么设。

2. 驱动安装：把速腾16线点云跑起来

2.1 驱动版本怎么选

RoboSense官方的雷达驱动有好几个版本，最常用的是rslidar_sdk和老的rslidar_pointcloud dDriver。我自己推荐用rslidar_sdk，它是官方新出的统一SDK，支持RS16、RS32、RS80、RS128这些型号，同时支持在线和pcap离线模式，编译方式简单，ROS集成度也好。

老版的rslidar_pointcloud是围绕rslidar_msgs和rslidar_driver拆分的，比较旧，在新系统上编译经常遇到protobuf或者Boost版本问题。所以如果你没有历史包袱，直接用rslidar_sdk。到我现在写的时候，rslidar_sdk的稳定版本是1.5.x，GitHub地址是RoboSense-LiDAR/rslidar_sdk。

2.2 编译rslidar_sdk

先把驱动代码克隆到工作空间。我习惯建一个catkin_ws，然后在src目录下放代码。

cd ~/catkin_ws/src git clone https://github.com/RoboSense-LiDAR/rslidar_sdk.git cd rslidar_sdk git submodule update --init --recursive

rslidar_sdk依赖YAML库。如果你不是用catkin直接编译，而是单独cmake，需要先装libyaml-cpp-dev。但我们用ROS catkin方式编译时，也有可能会遇到找不到yaml-cpp的情况，所以先装依赖：

sudo apt-get install libyaml-cpp-dev cd ~/catkin_ws catkin_make source devel/setup.bash

编译过程中如果报找不到ROS头文件，确认你已经source过/opt/ros/melodic/setup.bash。如果报找不到yaml-cpp，确认libyaml-cpp-dev装好了，并且在CMakeLists.txt里能看到对yaml-cpp的find_package。

2.3 修改雷达驱动配置

rslidar_sdk的配置文件在rslidar_sdk/config/rslidar_config.yaml。我的配置大概长这样：

common: frame_id: rslidar lidar_type: RS16 time_sync_en: false pcap_file: "" driver: lidar_type: RS16 msop_port: 6699 difop_port: 7788 lidar_ip: 192.168.1.200 host_ip: 192.168.1.102 pcap: false ros: ros_recv_port: 6699 pointcloud_topic: /rslidar_points pointcloud_type: 0 frame_id: rslidar

需要解释几个关键项：

• lidar_type：填写RS16，SDK会根据这个值选择对应的解析协议。
• msop_port和difop_port：保持默认6699和7788，不要随便改。重点是把lidar_ip改成雷达本机IP，host_ip改成你电脑的IP。如果找不到雷达，多半就是这两个IP没配对。
• pointcloud_topic：输出点云的话题名，后面FAST-LIO2要用同一个名字。
• pointcloud_type：0代表输出的点云包含XYZI字段，1代表包含XYZIRT字段（也就是每个点带时间戳和反射率）。这里要注意，如果你希望FAST-LIO2能利用逐点时间做畸变补偿，建议把pointcloud_type设为1，输出PointXYZIRT格式。但FAST-LIO2的通用机械雷达写法，读取的是point.x,y,z和intensity，以及它内部的time结构。实测中pointcloud_type=0也能跑，但我们后面会聊到时间戳问题。

改好配置后，用launch启动驱动：

roslaunch rslidar_sdk start.launch

这里有个坑：rslidar_sdk的launch文件名叫start.launch，不是rslidar_sdk.launch。启动后，用 rostopic hz /rslidar_points 查看，如果正常应该看到10Hz左右的点云频率。再用rviz订阅/rslidar_points，选择Fixed Frame为rslidar，就能看到点云了。

2.4 网络配置和常见启动失败问题

雷达和电脑之间是用网线直连还是经过交换机，配置思路不太一样。我建议直连，简单可靠。

首先要设置电脑的静态IP。Ubuntu 18.04上我用netplan，配置如下：

# /etc/netplan/01-network-manager-all.yaml network: version: 2 renderer: NetworkManager ethernets: eth0: dhcp4: no addresses: - 192.168.1.102/24

然后 sudo netplan apply 让配置生效。接着查看网卡状态，确保IP地址已经变成192.168.1.102。这时候再ping雷达的IP：

ping 192.168.1.200

能ping通就说明链路没问题。如果ping不通，可以先检查网线、网口，再检查防火墙：

sudo ufw disable

还有个小细节：雷达的默认IP有时不是192.168.1.200，而是192.168.1.201或者别的。如果你不确定，可以用RoboSense官方的上位机软件查看，或者在启动驱动后看终端日志，它会打印雷达的IP地址。

启动驱动后如果rviz里看不到点云，先用rostopic info /rslidar_points确认话题有没有发出消息。如果话题存在但频率是0，说明驱动没收到UDP数据，大概率是IP或者端口没对。如果话题频率正常但rviz不显示，多半是Frame ID设置问题，在rviz里把Fixed Frame改成rslidar。

3. FAST-LIO2源码编译与依赖安装

3.1 依赖准备

FAST-LIO2的编译依赖主要有ROS包、PCL、Eigen、Sophus，还有livox_ros_driver。如果你用的是原版FAST-LIO2，CMakeLists里默认会找livox_ros_driver，就算你不用Livox雷达，它也会强制要求这个包存在，否则会报找不到livox_ros_driver。我第一次编译就被这个卡了很久。

我的解决方法是先安装livox_ros_driver，但不一定非要用它。安装方式：

sudo apt install ros-melodic-livox-ros-driver

如果你的ROS版本没有这个包，可以从GitHub拉源码编译。

其他基础依赖：

sudo apt install ros-melodic-pcl-ros ros-melodic-cv-bridge libpcl-dev libeigen3-dev

Eigen版本要注意，Ubuntu 18.04系统自带的Eigen是3.3.x，已经够用。别去折腾Eigen 3.4，反而容易出问题。

Sophus是李群李代数库，FAST-LIO2的代码里直接include了sophus/so3.h。你可以从GitHub拉取并编译安装到系统里：

git clone https://github.com/strasdat/Sophus.git cd Sophus mkdir build && cd build cmake .. make -j4 sudo make install

如果你是通过git submodule方式拉到了FAST-LIO2自带的Sophus，同样要进到Thirdparty/Sophus里编译一次。

3.2 正式编译FAST-LIO2

假设你已经建好了catkin_ws：

cd ~/catkin_ws/src git clone https://github.com/hku-mars/FAST-LIO2.git cd .. catkin_make

如果之前编译过rslidar_sdk，catkin_make会把所有功能包一起编译，需要多等一会儿。如果只想编译FAST-LIO2，可以用：

catkin_make --pkg fast_lio

编译完成的标志是生成了devel/lib/fast_lio/fastlio_mapping这个可执行文件。

3.3 编译错误实录

下面几个错误是我实际踩过的，写出来供你对照：

错误1：找不到sophus/Sophus 解决方法：确认Sophus已经sudo make install，或者在CMakeLists里添加Sophus_DIR路径。有时还需要在~/.bashrc里加export Sophus_DIR=/usr/local/lib/cmake/Sophus。

错误2：找不到livox_ros_driver 解决方法：sudo apt install ros-melodic-livox-ros-driver，装完重新catkin_make即可。

错误3：Eigen和PCL头文件冲突 报错信息类似“Eigen/Dense: No such file or directory”。Ubuntu 18.04上我遇到过一次，原因是在include头文件顺序上出了问题。解决方法是确保CMakeLists里把Eigen的include目录放在PCL之前，不过这个属于少数情况，先不用管。

错误4：编译卡在opencv相关 报错找不到opencv2/xfeatures2d等。FAST-LIO2其实不完全依赖opencv的contrib模块，但catkin自动解析会报。我直接sudo apt install libopencv-dev解决。如果你已经装了ROS desktop-full，一般没问题。

4. 配置与运行：把速腾数据喂给FAST-LIO2

4.1 新建rslidar的launch和yaml

FAST-LIO2的launch文件在src/launch目录下，官方给了几个示例，比如mapping_avia.launch、mapping_ouster.launch。我们需要新建一个mapping_rslidar.launch，内容如下：

<launch> <node pkg="fast_lio" type="fastlio_mapping" name="fastlio_mapping" output="screen"> <rosparam file="$(find fast_lio)/config/rslidar.yaml" /> </node> </launch>

然后复制一个yaml，比如从config/velodyne.yaml复制改为rslidar.yaml。我的核心配置如下：

common: lid_topic: "/rslidar_points" imu_topic: "/imu/data" time_sync_en: false preprocess: lidar_type: 1 scan_line: 16 blind: 0.5 time_scale: 1e-3 mapping: acc_cov: 0.1 gyr_cov: 0.1 b_acc_cov: 0.0001 b_gyr_cov: 0.0001 fov_degree: 360 det_range: 100.0 extrinsic_est_en: false extrinsic_T: [0.0, 0.0, 0.0] extrinsic_R: [1, 0, 0, 0, 1, 0, 0, 0, 1]

这些参数的含义：

• lid_topic：雷达点云话题，和驱动输出一致。
• imu_topic：IMU数据话题，必须存在且频率不能太低，建议100Hz以上。
• lidar_type为1，对应机械旋转雷达。如果你的驱动输出每点带时间戳，可以用1；部分版本的FAST-LIO2对Livox点云做时间处理，对机械雷达则直接读取点云消息里的header.stamp和每点时间（如果有的话）。
• scan_line设为16，线数必须和雷达一致，否则预处理时按行切分点云会出错。
• blind是盲区距离，设置为0.5米，分辨率内的点被剔除，防止近处杂散点影响配准。
• time_scale用于把点云时间戳的单位换算成秒，一般机械雷达是1e-3（毫秒），Livox是1e-6（微秒）。如果你发现建图时间轴错乱，多半是这个参数不对。
• extrinsic_T和extrinsic_R分别是IMU在雷达坐标系下的平移和旋转。如果你把IMU放在雷达正上方且朝向一致，平移项可能要改，旋转为单位阵。

4.2 话题映射和IMU准备

启动FAST-LIO2前，先确认驱动和IMU节点都已经运行，并且三个话题都能正常收到数据：

• /rslidar_points，sensor_msgs/PointCloud2
• /imu/data，sensor_msgs/Imu

用rostopic echo /imu/data/header.stamp看一眼时间戳是否正确。IMU时间戳乱跳会直接导致滤波器发散，这是我们实际踩坑最重的一款。

FAST-LIO2要求IMU数据频率足够高。官方README建议至少100Hz，我的200Hz效果很好。如果你的IMU只有50Hz，也能跑，但抖动会明显一些。

如果暂时没有IMU，只靠雷达也能跑纯激光版本吗？不行，因为FAST-LIO2的传播方程依赖IMU激励。你可以用cv2_ros之类的仿真器生成虚拟IMU，但那不是真实场景。所以请务必准备一个IMU。

4.3 外参标定与配置心得

外参是FAST-LIO2最容易翻车的点。官方参数中extrinsic_T表示IMU在雷达坐标系下的平移向量，extrinsic_R是旋转矩阵，表达的是从雷达到IMU的旋转？或者说，代码里定义了：I_T_L = [extrinsic_R, extrinsic_T]，表示雷达在IMU坐标系下的位姿？不同版本含义不完全一样，这里我们不纠结数学，只说怎么设。

如果你的IMU和雷达安装在一个刚性支架上，且两者大概平行，可以先用近似值。比如IMU放在雷达正上方10cm，则extrinsic_T大概就是[0, 0, 0.1]。旋转部分先设单位阵，跑起来之后如果发现方向明显不对，再翻转旋转矩阵的对应行。

注意：外参不准确会导致建图在起步阶段就迅速漂移。我第一次用外参[0, 0, 0]，但我的IMU实际在y方向偏了5cm，结果地图拐弯时出现了严重的s形漂移。后来用卷尺量了一下，改成[0, 0.05, 0]之后，效果立刻正常了。

所以最省事的做法，是先用尺子量一个大概的平移量，旋转矩阵用单位阵，先让系统能跑通，再用标定工具优化。如果对旋转敏感，可以试试把外参当作可优化量，设置extrinsic_est_en为true，让FAST-LIO2在后端自动估计。但我个人经验是，外参初始误差过大时，自动估计很难收敛，甚至会让系统崩溃。建议先把大致外参估准，再考虑开自动估计。

4.4 完整运行流程

一切准备就绪后，按下面顺序启动：

终端1：

roslaunch rslidar_sdk start.launch

终端2：

rosrun imu_node my_imu_node

终端3：

roslaunch fast_lio mapping_rslidar.launch

FAST-LIO2启动后，在终端会不断打印update及其耗时。初始几秒内，如果没有运动，它不会输出位姿；你需要拿着雷达（或者把雷达装在机器人上）小幅晃动几次，让它完成初始化。如果一切正常，会在控制台看到类似下面的输出：

[ INFO] [1700000000.123456789]: LiDAR motion start! [ INFO] [1700000000.456789012]: Update: 2.123 ms

如果你是用rosbag离线测试，那就直接播放bag：

rosbag play your_data.bag

注意bag里的雷达话题和IMU话题必须和yaml里一致。如果不一致，可以用rosbag play的remap功能，比如：

rosbag play your_data.bag /rslidar_points:=/lidar_points /imu_data:=/imu/data

不过我还是建议直接改yaml里的lid_topic和imu_topic，一劳永逸。

运行过程中，FAST-LIO2会发布几个重要话题，包括：

• /Odometry：里程计位姿，类型nav_msgs/Odometry
• /path：轨迹，类型nav_msgs/Path
• /cloud_registered：配准后的当前帧点云
• /cloud_registered_raw：原始点云
• /map：局部地图点云

在rviz里添加/cloud_registered和/map，就能看到动态建图过程。

4.5 用rviz实时查看建图效果

启动rviz，固定坐标系选为：camera_init或body？FAST-LIO2的全局坐标系叫camera_init，虽然是激光雷达里程计，但它沿用了LOAM的命名。把Fixed Frame设为camera_init，然后添加PointCloud2显示，选择/cloud_registered，保持模式为Map，这样能看到点云一张一张拼接起来。接着添加Path或Odometry，查看轨迹是否平滑。

如果初始瞬间地图就糊成一团，先不要慌，可能是运动太快导致点云畸变，或者外参没设对。可以试着把雷达固定不动几秒后再以缓慢速度绕一圈，让初始化更稳定。实际测试中，启动时用手拿着设备在原地小幅度晃动几次，往往最有效。

5. 建图效果优化与避坑实录

5.1 建图漂移的排查方向

我做了几组实验，发现建图漂移大多源于这几类问题，按出现频率排序如下：

最常见的是IMU外参不准，通常表现为转弯时地图错位，起步阶段轨迹漂移。解决方法是用尺子量准平移量，旋转矩阵尽量用水平仪校准，或者拿标定工具做一次标定。

第二常见的是点云时间戳混乱。如果你的驱动输出的点云不带逐点时间戳，FAST-LIO2会把一帧的所有点当作同时刻采集来处理，这就会导致运动畸变补偿失效，在快速旋转时地图出现撕裂。解决方法是把rslidar_sdk的pointcloud_type设为1，输出PointXYZIRT格式，然后在驱动配置里把time_sync_en设为true，确保每点时间戳以毫秒为单位，并把FAST-LIO2的preprocess/time_scale设为1e-3。如果驱动输出的是系统时间而非雷达扫描相对时间，效果依然不好，建议参考官方FAST-LIO2对Velodyne的处理方式。

第三是扫描线数配置错误。scan_line必须与雷达线数完全一致，有次我手滑设成32，FAST-LIO2在预处理阶段把16线数据按32行切分，点云索引直接越界，程序崩溃。

第四是盲区设置过小。如果blind设置成0，近距离的尘埃和杂点会大量进入配准，导致位姿抖动。

5.2 点云类型与时间戳

这里展开讲一下点云类型。fast_lio2的源码里，预处理模块会判断lidar_type：如果是1（机械雷达），它会把收到的PointCloud2转换成PCL的PointCloud ，其中PointType定义通常包含x,y,z,intensity和time。如果你用PointXYZI的消息，time字段是0，但FAST-LIO2里对机械雷达的处理不是完全依赖time字段，而是根据点的线号和时间戳的插值来补，具体看代码里InputFeature函数。如果你不想深究代码，最简单的办法是让驱动输出点云时带上每点的时间信息。

rslidar_sdk的pointcloud_type参数：0表示输出PointXYZI，1表示输出PointXYZIRT。我们建议设1，并在启动驱动后看看topic里的字段：

rostopic echo /rslidar_points -n1

输出里应该有time字段才对。如果没有，检查驱动配置。若用的是老驱动，可能这个参数不生效，需要自己改一下发布逻辑。

5.3 关键参数调优心得

我调试过程中尝试过很多组参数，下面几个改动收益最大：

• point_filter_num：这个参数在FAST-LIO2的yaml里叫point_filter_num，表示每隔多少点取一个点，默认4，我改成6之后建图速度明显加快，精度几乎没有损失。如果你的CPU较弱，可以改成10甚至16，但太大会损失细节。
• fov_degree：默认360，如果你的雷达实际水平视场不是360度（比如某些车载雷达），需要按实际设置；速腾16是360度，保持默认即可。
• det_range：默认100米，但速腾16的有效距离也差不多这样。如果你在室内小场景，可以减小到30米，减少远点噪声影响。
• extrinsic_est_en：我先设false，等外参差不多准后再设true。在室外试过开自动估计，大多数时候能收敛，但室内特征少的时候偶尔会飘。
• acc_cov和gyr_cov：这两个是IMU噪声方差。默认0.1对多数IMU都适用。如果你用的IMU噪声很大，可以稍微加大到0.2，但不要过大，否则滤波更信任雷达，容易初始化困难。

5.4 实测避坑清单

我把实际操作中最容易踩的坑整理成表格，方便你对照：

还有两个小技巧。第一个，录制bag时尽量让机器人先静止3秒，再缓慢启动，这能给FAST-LIO2一个稳定的IMU初始化窗口。第二个，在室外建图时，地面点会影响配准，可以在yaml里把blind调大一点，比如1.0，把近距离地面噪声剔除；或者在预处理里加一个高度过滤，但这个需要改代码，新手可以先忽略。

最后分享一个我的个人操作习惯：每次改完参数后，我会把原来的bag用同一个bag测试，并分别保存生成的点云pcd文件，用pcl_compare或者可视化工具对比效果。这样调参不会变成“玄学”，每一次改动都有数据支撑。尤其是外参，从[0,0,0]改成[0,0.05,0]这种微调整，用同一份bag测试对比轨迹误差，很快就能找到最佳值。

这个项目后续我还在继续扩展，比如用IMU预积分配合轮式里程计做室内定位，以及把FAST-LIO2输出的地图导入到navigation栈里做路径规划。如果你也在折腾同样的方案，希望这篇记录能帮你省下几天时间。有什么问题欢迎在评论区交流，我看到都会回。