5步跑通 GLIM 多传感器 3D SLAM：从 LiDAR+IMU 到全局一致的点云地图
【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
你的 LiDAR+IMU 轨迹跑完一圈校园后开始漂移，走廊尽头的点云和出发点对不上，问题往往不是某几帧配准失败了，而是局部配准误差沿着整条轨迹一路累积，没人来"结账"。GLIM 就是做这个"结账"的：它是一个多传感器 3D 定位建图框架，把点云配准误差作为约束放进因子图（一种把位姿当未知量、用一堆"约束关系"整体求解的优化结构）里全局最小化，让整个轨迹和点云地图收敛到全局一致，并支持 GPU 加速。
这篇文章按 onboarding 的思路写：先讲清它能帮你做什么，再走一遍环境准备、首次运行、模块选型、调参速查和自检清单，最后给出手动修图和扩展的进阶用法。文中所有默认值、版本要求都取自本仓库（当前版本 v1.2.2），你可以在 CMakeLists.txt 和config/目录里逐条对账。
GLIM 能帮你做什么
它接得住哪些传感器
GLIM 刻意去掉了"传感器特化"的处理流程，只要输出点云（外加 IMU）就能跑，官方支持的类型包括：
- 旋转式 LiDAR：Velodyne HDL32e、Ouster OS1-32
- 非重复扫描 LiDAR：Livox Avia、Livox MID360
- 固态 LiDAR：Intel Realsense L515
- RGB-D 相机：Microsoft Azure Kinect
参数文档 里还给出了这些传感器典型的T_lidar_imu（LiDAR 与 IMU 之间的外参变换）参考值，方便你起步，但官方提醒"不要盲目照抄"，务必以你自己的标定为准。
三级流水线的数据流
点云进来后经过三级处理，每级都是一个可独立替换的模块：
- 里程计（Odometry）：实时估计传感器位姿，用固定滞后平滑（默认
smoother_lag5 秒，见 config/config_odometry_gpu.json）。 - 子图（Sub mapping）：把连续轨迹切成一个个"子图"（submap，一段轨迹打包成的局部地图单元）并做批量优化。
- 全局建图（Global mapping）：当两个子图重叠率超过阈值（默认
min_implicit_loop_overlap0.2）时自动建立约束——这就是 GLIM 的"隐式闭环检测"，不需要显式的闭环检测器就能把走回去的路对齐。
各级实现分布在 里程计源码 和 建图源码，头文件接口在 include/glim/。
跑完之后你得到什么
关闭glim_rosnode或glim_rosbag时，结果会 dump 到/tmp/dump：建图因子图数据，加上 4 个 TUM 格式轨迹文件（每行t x y z qx qy qz qw）：
| 文件 | 内容 |
|---|---|
odom_imu.txt/odom_lidar.txt | 闭环前的里程计轨迹（IMU 系 / LiDAR 系） |
traj_imu.txt/traj_lidar.txt | 闭环后的全局轨迹（IMU 系 / LiDAR 系） |
对比odom_*和traj_*两条轨迹，你一眼就能看出全局优化帮你"修正"了多少漂移。
部署前的准备：环境与依赖
版本要求一览
官方测试环境是Ubuntu 22.04 / 24.04 + CUDA 12.2 / 12.6 / 13.1，以及 NVIDIA Jetson Orin（JetPack 6.1）（README）：
| 项目 | 要求 |
|---|---|
| 操作系统 | Ubuntu 22.04 / 24.04；NVIDIA Jetson Orin（JetPack 6.1） |
| CUDA | 12.2 / 12.6 / 13.1（当前版本不支持 CUDA 11 及更低） |
| 构建工具 | CMake ≥ 3.22，C++17（见 CMakeLists.txt） |
| 必装依赖 | Eigen、nanoflann、GTSAM（≥4.2，兼容 4.2a9 / 4.3a0 / 4.3a1）、gtsam_points 1.2.2 |
| 可选依赖 | CUDA、OpenCV（相机图像）、OpenMP、ROS/ROS2、Iridescence（3D 查看器） |
| ROS 版本 | ROS2 Humble（22.04）/ Jazzy（24.04），也支持 ROS1 |
两条安装路线
- PPA 二进制（官方推荐）：一条在线脚本完成源注册后
apt install即可，Ubuntu 22.04/24.04 的 AMD64/ARM64 都覆盖，具体命令在 安装文档。另有官方预构建 Docker 镜像（ROS2 Humble/Jazzy，含 CUDA 变体，目前仅 AMD64），用法见 docker 文档。 - 源码构建：适合想改核心代码的人。GTSAM 和 gtsam_points 两个依赖需要先按 安装文档 的步骤构建安装（启用 GPU 模块必须用带 CUDA 编译的 gtsam_points，否则 CMake 会自动关闭
BUILD_WITH_CUDA并给出警告），核心库构建如下：
# 1) 系统依赖（GTSAM 4.3a0 与 gtsam_points 1.2.2 需另行构建，见安装文档） sudo apt install libomp-dev libboost-all-dev libmetis-dev libfmt-dev libspdlog-dev \ libglm-dev libglfw3-dev libpng-dev libjpeg-dev # 2) 克隆并编译 GLIM 核心库 git clone https://gitcode.com/GitHub_Trending/glim/glim glim cd glim && mkdir build && cd build cmake .. -DBUILD_WITH_CUDA=ON make -j$(nproc) sudo make install每个估计模块（GPU/CPU/CT 里程计、各类建图）被编译成独立的.so动态库，运行时由 JSON 配置里的so_name字段决定加载哪一个——这也是后面"换模块组合"只需要改配置的原因。
📦 从首次运行到出图
先把配置指对
入口是 config/config.json，它只做一件事：把三个后端模块指向各自的参数文件，默认全是 GPU 版：
"config_odometry": "config_odometry_gpu.json", "config_sub_mapping": "config_sub_mapping_gpu.json", "config_global_mapping": "config_global_mapping_gpu.json"另外两个必须确认的文件：
- config/config_sensors.json：
T_lidar_imu改成你这套传感器的外参（默认值是 Ouster OS1-32 的[0.006, -0.012, 0.008, 0, 0, 0, 1]）； - config/config_ros.json：
imu_topic、points_topic指向你的话题名；如果你的 IMU 加速度单位是 g（例如 Livox 系列），把acc_scale设为9.80665（海esai 系列陀螺仪单位是 deg/s 时，ang_scale设为0.017453）。
一个容易踩的坑：在 ROS2 里改了包内配置后，需要重新colcon build才会生效（ROS2 要求配置在 install 目录），用--symlink-install或外部config_path可以绕开。
跑官方测试轨迹
官方提供了 Ouster OS1-128 的测试数据（降采样版约 515MB，下载入口见 quickstart 文档），默认配置就是为它准备的。ROS2 下：
# 方式一：rosbag 直读模式，自动调速、尽量不掉帧 ros2 run glim_ros glim_rosbag os1_128_01 # 方式二：标准节点模式，另开终端放 bag ros2 run glim_ros glim_rosnode ros2 bag play os1_128_01 # 跑完打开离线查看器（结果在 /tmp/dump） ros2 run glim_ros offline_viewerglim_rosbag适合离线回放，glim_rosnode适合接实时传感器。
出图与验收
结束后打开offline_viewer（File → Open Map选 dump 目录），可以直接查看因子图和子图球体、导出 PLY 点云。把traj_imu.txt和odom_imu.txt画在一起，轨迹首尾闭环处的差距就是你这次全局优化的"战绩"。
模块组合三选一：GPU / CPU / LiDAR-only
GLIM 提供 7 个估计模块，覆盖"有 GPU 的整机最高精度"到"树莓派级别的轻量实时"（模块源码与头文件）。官方组合图如下：
三种预设组合怎么选
| 组合 | 里程计 | 子图 | 全局建图 | 适用场景 |
|---|---|---|---|---|
| GPU 完整版 | OdometryEstimationGPU（需 GPU，需 LiDAR-IMU，固定滞后+关键帧） | SubMapping（批量优化，可 CPU/GPU） | GlobalMapping（配准代价最小化） | 有 NVIDIA GPU，追求精度上限 |
| CPU 轻量版 | OdometryEstimationCPU（仅需 CPU，scan-to-model） | SubMappingPassthrough（不优化） | GlobalMappingPoseGraph（位姿图优化） | 无 GPU 的机器；demo 页 记录过 Jetson Nano 可实时跑其中的里程计环节 |
| 纯 LiDAR 版 | OdometryEstimationCT（连续时间 ICP，无需 IMU） | 任选，但需enable_imu: false | 任选 | 没有 IMU 或 IMU 数据不可用 |
怎么切换组合
只改 config/config.json 的三行指向即可（quickstart 文档 给出的官方组合）：
- CPU 版：
config_odometry_cpu.json+config_sub_mapping_passthrough.json+config_global_mapping_pose_graph.json - 纯 LiDAR 版：
config_odometry_ct.json，并在使用 IMU 的子图/全局配置里把"enable_imu"设为false - 只想跑里程计、不做建图：在 config/config_ros.json 里把
enable_local_mapping、enable_global_mapping都关掉，系统就只跑里程计估计
调参速查：先动这几个参数
全部参数见 参数文档，下面是日常 90% 的调优目标，默认值均摘自仓库配置文件：
| 参数 | 默认值 | 作用与调整建议 | 所在文件 |
|---|---|---|---|
T_lidar_imu | OS1-32 参考值 | LiDAR-IMU 外参，必改，以自标定为准 | config_sensors.json |
acc_scale | 0（自动检测） | IMU 加速度为 g 单位时设 9.80665 | config_ros.json |
random_downsample_target | 10000 | 每帧降采样目标点数，降到 5000 可显著提速 | config_preprocess.json |
k_correspondences | 10 | 协方差估计的邻域点数；VLP16 这类稀疏线数雷达建议 15~30 | config_preprocess.json |
voxel_resolution | 0.25 m | GPU VGICP 基础体素分辨率，室内取 0.1~0.25 | config_odometry_gpu.json |
voxelmap_levels | 2 | 多分辨率层级，调大提升大位移鲁棒性（2 或 3） | config_odometry_gpu.json |
max_num_keyframes | 15 | 关键帧上限，调大减少里程计漂移 | config_odometry_gpu.json |
keyframe_update_strategy | OVERLAP | 改DISPLACEMENT后按位移阈值插入关键帧，更直观好调 | config_odometry_gpu.json |
smoother_lag | 5.0 s | 固定滞后平滑窗长 | config_odometry_gpu.json |
ivox_resolution | 0.5 m | CPU GICP 体素分辨率，室外调大（如 1.0） | config_odometry_cpu.json |
min_implicit_loop_overlap | 0.2 | 隐式闭环的重叠率门槛，调小=约束更多 | config_global_mapping_*.json |
submap_voxel_resolution | 0.5 m | 子图体素分辨率，室内建议 0.15~0.25 | config_sub/global_mapping_*.json |
一个实用技巧：怀疑协方差估计时，把标准查看器的color_mode改成NORMAL，平面上点色均匀说明协方差正常（参数文档 推荐的健康度检查）。
🔍 遇到问题时：自检清单
按出现频率从高到低排：
- 轨迹整体歪 / 旋转不对：九成是
T_lidar_imu外参或 IMU 坐标系问题。把 IMU 静置且 z 轴朝上，静置加速度读数应约为[0, 0, +9.81]（参数文档 的验收标准）；config_odometry_gpu.json里validate_imu默认开启，会输出 IMU 校验日志。 - 稀疏线数雷达（如 VLP16）估计退化：
k_correspondences从 10 提到 15~30，用上面的NORMAL颜色模式验证协方差。 - 改了配置不生效（ROS2）：重新
colcon build，或启动时传--ros-args -p config_path:=$(realpath ./config)直接指向包外配置目录。 - 想用 AVX 加速却段错误：
BUILD_WITH_MARCH_NATIVE=ON要求所有相关库都用march=native编译，漏一个就会崩；官方建议不确定时保持关闭（安装文档）。 - 用立体视觉 RGB-D（D455、ZED2i）效果差：这是已知边界——这类相机的点云质量本身不佳，而 GLIM 基于点云匹配，demo 文档 明确建议立体传感器改用视觉 SLAM。
- 老显卡跑不起来：当前版本不支持 CUDA 11 及以下，升级 CUDA 或退回 CPU 组合。
进阶：手动修图与二次开发
手动补闭环和平面约束
全局建图只做隐式闭环，地图局部失败时可以人工兜底。offline_viewer里（quickstart 文档 有逐步说明）：
- 手动闭环：右键一个子图球选
Loop begin，再右键另一个选Loop end，把红/绿点云大致对齐后点Align执行配准，满意再点Create Factor把约束加入因子图； - 平面 BA 约束：右键平面上的点选
Bundle Adjustment (Plane)，拖动球体大小覆盖足够多的平面点，再Create Factor——适合走廊、墙面这类重复结构场景； - 改完点
Optimize重跑优化，File → Save → Export Points导出 PLY 点云。
多段轨迹合并成一张大地图
多次建图会话可以在offline_viewer里合并（合并文档）：File → Open New Map打开第一段，Open Additional Map打开第二段，点Merge sessions选 Indoor/Outdoor 参数集，Run global registration（或手动 Gizmo 对齐）→Run fine registration精配准 →Create factor，再用Find overlapping submaps建立重叠子图间的代价因子，多次Optimize融合。注意：合并前若某段地图报X34 -> E69 is missing之类的 warning，要先用Recover graph逐段修复再合并，否则优化结果可能损坏。
用回调插槽扩展自己的功能
GLIM 的扩展机制是"全局回调插槽"：里程计、子图、全局建图各自暴露一组回调，你以动态库形式注册进去，就能读取内部状态、往因子图里塞新约束（机制详解见 扩展文档）。最小骨架长这样：
class MyExtensionModule : public ExtensionModule { public: MyExtensionModule() { using std::placeholders::_1; OdometryEstimationCallbacks::on_new_frame .add(std::bind(&MyExtensionModule::on_new_frame, this, _1)); } void on_new_frame(const EstimationFrame::ConstPtr& frame) { // 拿到最新帧位姿，可在这里向因子图插入自定义约束 } }; extern "C" ExtensionModule* create_extension_module() { return new MyExtensionModule(); }编译成.so后，把库名加进 config/config_ros.json 的extension_modules数组即可加载（注意：三个模块跑在不同线程，回调可能来自不同线程，扩展代码要自己保证线程安全）。官方示例库 glim_ext 提供过显式闭环检测（ScanContext / DBoW）、LiDAR-视觉-惯性里程计、GNSS 约束、速度抑制因子等实现，扩展文档 有清单；提醒一下：那些是 proof-of-concept 代码且各自带外部依赖，接入前先看许可证。地图编辑（手动选点剔除）见 edit 文档。
最后收个尾：GLIM 的路线很清晰——传感器无关的预处理 + 可插拔的三级估计模块 + 因子图全局优化 + 离线人工修图兜底，你从改三行 JSON 开始就能出第一张闭环一致的点云地图，遇到漂移也有明确的手动修正路径。
同时说清它不擅长什么：立体视觉 RGB-D（D455/ZED2i 这类）和纯视觉、无深度信息的场景不适合用它；没有 IMU 时只剩纯 LiDAR 的 CT 里程计，没有 GPS 辅助的绝对定位能力；显式闭环检测不在主库内，依赖扩展库或手动操作；GPU 路径要求 CUDA 12.2 以上，Docker 镜像目前只有 AMD64。如果你的场景落在这几条边界外，选方案前先读一遍 demo 文档 里的官方说明再定。
【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
