编译PL-SVO时遇到的一些问题(一)

1.找不到fastConfig.cmake

fast库编译安装后在pl-svo的camke-models文件夹下面加入fastConfig.cmake,但是在编译pl-svo时就是camke ..就是找不到该文件,于是修改camkelists.txt,加入语句set(fast_DIR "/home/fs/Documents/pl-svo/cmake-modules")即可

 

2.运行roscore时出现error while loading shared libraries:libroscpp.so

修改~/.bashrc文件即可

LD_LIBRARY_PATH=/opt/ros/indigo/lib

3.

fatal error: Eigen/Core: No such file or directory
 fatal error: Eigen/Eigen: No such file or directory

参考博客解决https://blog.youkuaiyun.com/dongyanwen6036/article/details/79734435

需要注意的是我的Eigen库安装路径是/usr/include而不是/usr/local/include

4.undefined reference to `Sophus::SE3::exp(Eigen::Matrix<double, 6, 1, 0, 6, 1> const&)'

在相应的CmakeLists.txt文件里添加set(Sophus_LIBRARIES "/usr/local/lib/libSophus.so")即可

4.MRPT库安装问题

一开始按照PL-SVO上的readme安装:

sudo apt-get install libmrpt-dev

最后编译程序的时候出现sceneRepresentation.h里的CVectorDouble没有定义,于是按照mrpt的官网下载了压缩包,自己编译安装,然后记得在CmakeLists.txt文件里添加SET(MRPT_DIR "/home/fs/Downloads/mrpt-1.5.6/build")其中里面的路径即为我的MRPTConfig.Cmake路径。最后重新编译pl-svo源码,但是又出现错误,在sceneRepresentation.cpp里的296行Tpose3D类型不能直接赋值给Cpose3D类型的pose_qt。通过查找下面的技术文档(来自MRPT官网)最后把296行修改如下即可:

pose_gt = CPose3D(TPose3D(v_auxgt(0),v_auxgt(1),v_auxgt(2),v_auxgt(3),v_auxgt(4),v_auxgt(5)));

 

技术文档地址http://mrpt.ual.es/reference/stable/classmrpt_1_1poses_1_1_c_pose3_d.html截图如下:

最后成功编译源码如下:

 

 

### 如何使PL-SVO适配KITTI数据集 对于如何使PL-SVO(Probabilistic Latent Semantic Visual Odometry)适配KITTI数据集,虽然直接针对此主题的具体文献未被提供,但从视觉里程计以及语义分割在不同数据集上的适配方法可以推断出些通用原则和步骤。 #### 数据预处理 为了确保PL-SVO能够在KITTI数据集中有效运行,需要对原始数据进行必要的预处理。这包括但不限于图像尺寸调整、颜色校正以及间戳同步等操作[^4]。这些预处理措施有助于提高后续算法执行效率并减少误差源。 #### 特征提取优化 考虑到KITTI数据集的特点——即包含大量户外场景下的车辆行驶记录,因此可能需要特别关注那些能够捕捉到道路标志物特征(如车道线、交通信号灯)的方法。利用先进的卷积神经网络架构来进行更精准的目标检测与分类,从而增强SLAM系统的鲁棒性和准确性[^3]。 #### 调整超参数配置 根据不同环境条件灵活调节模型内部的关键参数也是至关重要的步。例如,在光照变化剧烈的情况下适当放宽某些阈值;当遇到复杂路况增加迭代次数以获得更加稳定的结果。此外还可以尝试引入额外的约束机制来引导估计过程朝着期望方向发展[^1]。 ```python # 示例代码片段:假设这是用于微调PL-SVO的部分Python脚本 def tune_pl_svo_for_kitti(svo_model, kitti_data_path): svo_model.load_dataset(kitti_data_path) # 进行系列针对性改进... svo_model.preprocess_images() svo_model.optimize_feature_extraction() svo_model.adjust_hyperparameters() return svo_model.fit() ``` #### 实验验证与评估 最后但同样重要的是,必须经过充分测试才能确认所做的切改动确实提升了性能表现。建议采用多种评价指标综合考量,并与其他同类解决方案对比分析优劣之处。同也要注意收集反馈意见以便持续改进系统设计[^2]。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值