KITTI数据集雷达采样点时间戳属性的思考(Failed to find match for field ‘time‘)

于 2024-09-24 13:45:11 发布
阅读量1.3k 收藏 28
点赞数 14
分类专栏： SLAM 文章标签： 目标检测 SLAM KITTI bag FAST-LIO Point-LIO
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_45863010/article/details/142487250
版权

        最近在SLAM调研期间，看到了FAST-LIO2以及Point-lio这两个比较新的SLAM建图算法，想着上手编译并且运行一下，选择了自己了解到的比较出名的数据集KITTI，想着在上述两个开源算法上上手跑一下（原论文并没有使用KITTI数据集进行验证），研究了两天最终也没有成功解决，上述两个开源算法都需要支持bag包中含有雷达每个点的采样的时间戳（timestamp）属性，查询了几个方法并实践后发现KITTI貌似本身就不支持雷达采样点的时间戳属性。

        KITTI数据集没有雷达采样点的时间戳属性，这个观点仅代表现阶段我的调研，如果确实有这个属性并且有具体的kitti2bag方法将原始数据转换为bag包，欢迎在评论区指出，贴出链接，我也学习一下。

FAST-LIO和Point-lio官方网站

        FAST-LIO是有雷电点云的后向传播、Point-lio采用的是雷达采样点的直接配准，两者都需要雷达点云具体的时间戳属性，具体可以参考论文以及Github官网展示：

GitHub - hku-mars/FAST_LIO: A computationally efficient and robust LiDAR-inertial odometry (LIO) package

https://github.com/hku-mars/Point-LIO

心路历程

Kitti2bag官方数据包转换工具

        最先尝试的是使用Kitti2bag工具包转换KITTI官方odometry对应的数据，将其转换为bag包，随后播放bag包时显示：

        显示没有time属性，其他两个属性不是很重要，一个intensity问题自己搜索之后已经解决，可以参考我的上一篇博客（官方提供的Kitti2bag转换工具也请参考我的上一篇博客）：

kitti2bag原始数据转为bag包工具使用、SLAM精度评估工具evo安装及使用、KITTI原始数据集对应关系-优快云博客

        随后只解决了intensity问题，网络搜索基本找不到有关time的解决方案。 

LIO-SAM Github网站提供的转换工具以及bag包

        随后通过某个Github上的issue了解到LIO-SAM提供的工具包能够对KITTI数据集进行转换，再次尝试：

GitHub - TixiaoShan/LIO-SAM: LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping

        数据包转换工具以及提供好的bag包下载链接参考如下：

        进入LIO-SAM官网就可以看到上面图片展示的信息，自己下载LIO-SAM官方提供的数据包（上图Google Drive链接），再次修改lidar_topic以及imu_topic后上面出现的intensity以及ring警告均没有了，但是time的警告仍然存在。

其他三方转换工具

        随后又调研了几个转换工具：

  1. 针对Lego-loam跑Kitti00包的（这个方法转换后的bag包只有雷达话题，没有Imu话题，所以没有尝试，感觉也不行，贴个链接供查看）：lego-loam 跑 kitti00包（kitti2bag+lego-loam+evo）详细版_kitti格式转tum-优快云博客
  2. 一个Github上阿里员工提供的kitti2bag转换工具，但是内容基本和上面一个没有太大差别：KITTI数据集转化为ROS bag包（解决各种类型数据集，实测有效）_kitti数据集转化成rosbag-优快云博客

写在最后

        暂时写到这里，自己尝试了2天，这个问题仍然没有解决，中间我查到一个Github上的issue也是关于Kitti的时间戳的问题，上面写到目前KITTI不支持雷达每个采样点的时间戳，后续有新的内容我会及时贴出来。

PCL点云处理之Failed to find match for field ‘intensity‘问题的解决方法 （二百一十四）
weixin_44329757的博客
10-13 1669
问题：在PCL库读取点云文件，例如PCD,PLY格式的文件时，可能会出现Failed to find match for field 'intensity’的警告信息，此时，可能由两种原因导致，下面给出具体的解决方法。
KITTI数据集00序列times.txt文件
03-22
苦苦寻找的times文件，用于KITTI数据集SLAM测试 苦苦寻找的times文件，用于KITTI数据集SLAM测试 苦苦寻找的times文件，用于KITTI数据集SLAM测试
【小白】ROS跑kitti数据集
m0_51801050的博客
04-13 744
最后一行代码运行起来可以按：ctrl+c 关闭 ，但我试着不管用，直接把终端关了。所以最后一行代码可以在同位置路径终端单独输入 ，以防运行起来无法关闭。按下左上角file --save config as ---输入一个名字：kitti_tutorial 保存在根目录新建文件夹rviz下即可。同上面同样的操作，只需把kitti.py代码改成下面即可。
ROS点云类型sensor_msgs::PointCloud2与PCL的PointCloud＜T＞点云类型转换
热门推荐
木卫三的博客
11-03 1万+
ROS中sensor_msgs::PointCloud2类型定义；与PCL的PointCloud点云数据类型转换；moveFromROSMsg()函数解析；点云格式转换中的注意事项。
ros系列—解决“Failed to find match for field intensity”问题
renyanyong的博客
11-23 7167
运行系统：Ubuntu18.04 运行环境：python2.7.17 ROS初学者 问题重述：将kitti数据集中的点云bin文件转为bag包文件后参考方法，ros节点处理bag包中的点云数据，运行时出现“Failed to find match for field 'intensity'.”问题。 上左图中点云颜色并没有根据点云强度（intensity）变化，右图为运行节点时出现“Failed to find match for field 'intensity'.”问题。 问...
使用rs_to_velodyne功能包时遇到Failed to find match for field ‘intensity‘解决方案
2301_77494869的博客
07-06 766
修改这个文件rs_to_velodyne.cpp，地址如下：修改内容如下：将红色框中的内容替换如下图所示：其他不变即可。
pcl读取 ply文件显示Failed to find match for field ‘x‘.Failed to find match for field ‘y‘....
qq_45338693的博客
07-24 794
→ 用记事本打开ply文件，将头文件中想x,y,z的类型改为float，然后保存即可。
Failed to find match for field ‘x‘.Failed to find match for field ‘y‘.Failed to find match for fie解决
xiaoyiyi的博客
10-24 4534
问题： Failed to find match for field 'x'. Failed to find match for field 'y'. Failed to find match for field 'z'. 解决：在matlab中转换的点云默认为double，需要转换为single在pcl中应用 ptcloud = pcread('G:\PCL_Study\mode\duck_model.ply'); pointCloud(single(ptcloud.Location));.
【学习记录】Ouster雷达运行fastlio提示 Failed to find match for field ‘ring‘ 的解决办法
larrydong的博客
01-20 2632
是原始的点进行的输出。的区别：前者是我们一般说的“强度”，后者是ouster雷达特有的“材质反射率”。即，前者是这根激光发出后收到的返回强度，后者是这根激光打到的物体的表面的反射率。进一步检查，发现ouster对ring的定义是 uint_16t，而我印象中ring一般定义的都是 uint_8t，所以改了一下，就没有了这个报错。但ouster雷达确实是发布了ring信息，可以从启动的rviz里面看到包括ring。但是，需要注意的是，ouster雷达可以发布多种类型的点云，在。定义的格式，可以翻源码，
为适配kitti数据集修改的lego-loam.zip
12-29
标题中的“为适配kitti数据集修改的lego-loam.zip”表明这是一个针对Kitti数据集优化过的LEGO-LOAM（Lidar Elastic Grid Odometry and Mapping）算法的版本。LEGO-LOAM是一种激光雷达（LiDAR）里程计和地图构建算法...
KITTI数据集通过evo转换成tum数据，对应的结果，以及xx.txt的poses文件和times.txt的时间戳文件
09-10
KITTI数据集由德国卡尔斯鲁厄理工学院和斯坦福大学联合创建，提供了多种传感器数据，包括高精度GPS/IMU数据、多视图彩色和深度图像、激光雷达点云等，用于自动驾驶相关的多个任务，如对象检测、道路分割、视觉惯性...
为适配kitti数据集修改的lio-sam.zip
12-29
Kitti数据集是机器人视觉和自动驾驶领域广泛使用的一个大型开放数据集，包含了多种传感器数据，如激光雷达（LiDAR）、相机图像等，用于研究自动驾驶车辆的感知和定位问题。而lio-sam，全称是Lidar-Inertial Odometry...
kitti数据集把连续几个雷达点云拼起来.zip
12-28
kitti数据集把连续几个雷达点云拼起来 kitti数据集把连续几个雷达点云拼起来 kitti数据集把连续几个雷达点云拼起来 kitti数据集把连续几个雷达点云拼起来 kitti数据集把连续几个雷达点云拼起来 kitti数据集把连续几...
用Lego-loam跑kitti数据集修改代码
03-14
Kitti数据集提供了丰富的视觉和激光雷达数据，这对于验证和优化SLAM算法非常有用。 1. 数据预处理：Kitti数据集中的原始数据需要经过预处理才能适应Lego-LOAM。这包括提取激光雷达数据，将其转换为可被Lego-LOAM...
【学习记录】镭神32线激光雷达ROS下运行fromRosMsg()报错 Failed to find match for field “intensity“ 问题
larrydong的博客
11-01 2030
解决镭神32线激光雷达使用pcl时报错无法匹配intensty字段问题
【PCL】Failed to find match for field 'label'
qq_34597253的博客
10-10 2628
本人尝试用以下代码从.pcd文件中读取点云数据： PCLPointCloud2 cloud_blob; PointCloud<PointXYZL>::Ptr cloud(new PointCloud<PointXYZL>()); Eigen::Vector4f origen; Eigen::Quaternionf orientation; if (pcl::io::l...
kitti raw中IMU时间戳问题
qq_39174336的博客
06-25 353
垂直变化的部分是IMU数据缺失，缺失有影响的话只能将后面的全部删除了吧？将图片放大后可以看到许多问题。数据集时，IMU报错。手动修改突起的数据部分。
Failed to find match for field “intensity“
qq_43481559的博客
05-30 3755
网上主流有两种解决方案：PCL：“Failed to find match for field ‘intensity‘. ” 解决方案_孙 悟 空的博客-优快云博客 但这两种办法都不能解决我这个问题，经过几天的研究发现还有另外一种原因可能会造成这种错误，特别是在使用自定义点云类型的时候。 我在录制bag包的时候，定义的点云消息格式是： struct PointXYZITM { PCL_ADD_POINT4D uint8_t intensity;
pcl::fromROSMsg报警告Failed to find match for field ‘intensity‘.
发布工作学习过程中遇到的问题和解决方案
07-02 3347
原始点云PointCloud2类型的话题中含有intensity数据，并且在Rviz中可以将强度信息显示出来。使用pcl::fromROSMsg()函数将ROS的PointCloud2类型的消息转成pcl::PointXYZI类型的数据后，出现了Failed to find match for field ‘intensity’ 的问题。...
速腾雷达实现faster_lio
最新发布
03-12
<think>嗯，我现在要了解一下速腾雷达如何实现Faster-LIO。首先，得弄清楚这两个概念：速腾雷达和Faster-LIO分别是什么，然后看它们是怎么结合在一起的。 首先，速腾雷达应该是指速腾聚创（RoboSense）生产的激光雷达，对吧？他们家的雷达产品在自动驾驶和机器人领域用得比较多，比如RS-LiDAR系列。这类雷达通常提供高精度的三维点云数据，用于环境感知和定位。 然后是Faster-LIO。LIO是Lidar-Inertial Odometry的缩写，即激光雷达惯性里程计，结合了IMU（惯性测量单元）和激光雷达的数据进行实时定位与建图。Faster-LIO应该是一个更高效的版本，可能是在计算速度或资源利用上做了优化，比如改进算法结构或采用新的数据处理方法。 接下来，用户想知道速腾雷达如何实现Faster-LIO。这里可能需要了解Faster-LIO的工作原理，以及如何适配特定的雷达硬件。比如，Faster-LIO可能依赖特定的点云数据格式、时间同步、或者IMU和雷达的标定参数。速腾雷达需要满足这些要求才能顺利集成到Faster-LIO系统中。 可能的步骤包括： 1. **硬件配置**：将速腾雷达与IMU硬件连接，确保两者时间同步，可能需要硬件层面的同步信号。 2. **数据接口**：获取雷达的点云数据和IMU的惯性数据，可能需要使用ROS（机器人操作系统）中的驱动或SDK来读取数据。 3. **标定**：进行雷达和IMU之间的外参标定，确定两者之间的相对位置和姿态，这对传感器融合至关重要。 4. **算法集成**：将速腾雷达的数据输入到Faster-LIO算法中，可能需要调整参数以适应雷达的特性，比如扫描模式、视场角、点云密度等。 5. **优化与测试**：在实际环境中测试系统性能，调整算法参数以提高定位和建图的准确性和效率。 另外，Faster-LIO可能采用了一些优化技术，比如ikd-Tree（增量式k维树）来高效管理点云地图，减少计算量。速腾雷达的高扫描速率或高分辨率可能在这方面带来优势，比如更密集的点云帮助构建更精细的地图，但同时也需要算法能够处理更大的数据量而不影响实时性。 不过，我可能对Faster-LIO的具体实现细节不太清楚，比如它是否开源，或者是否已经有适配速腾雷达的配置文件和参数。可能需要查阅相关论文或GitHub仓库，比如Faster-LIO的作者是否提供了支持不同雷达型号的指南。 另外，传感器的时间同步问题也很重要，如果雷达和IMU的时间戳没有精确对齐，会导致融合算法出现误差。速腾雷达是否支持硬件时间同步，或者需要通过软件进行插值处理？ 还有，IMU的数据频率通常比雷达高很多，Faster-LIO可能利用IMU的高频数据进行运动预测，然后在雷达数据到来时进行校正。这需要良好的传感器融合策略，比如紧耦合或松耦合的方式。 总结来说，实现速腾雷达的Faster-LIO需要硬件配置、数据获取、标定、算法集成和优化等多个步骤，确保传感器数据的准确性和算法的兼容性。可能需要参考Faster-LIO的文档和速腾雷达的技术规格，进行具体的配置和调试。</think>### 速腾雷达实现 Faster-LIO 的步骤解析 Faster-LIO 是一种高效的**激光雷达惯性里程计（Lidar-Inertial Odometry）**算法，通过融合激光雷达（LiDAR）和惯性测量单元（IMU）数据，实现实时定位与建图。速腾聚创（RoboSense）雷达（如 RS-LiDAR 系列）因其高精度点云数据，常用于此类系统。以下是实现的核心步骤： --- #### **1. 硬件配置与同步** - **硬件选择** 需配备速腾激光雷达（如 RS-LiDAR-16/32）和 IMU（如 Xsens MTi 系列），确保两者支持硬件时间同步（如通过 PTP 协议）。 - **时间同步** 雷达和 IMU 需严格同步时间戳，避免融合误差。速腾雷达若支持外部触发，可通过硬件信号（如 GPS PPS）实现微秒级同步。 --- #### **2. 数据接口与驱动** - **获取传感器数据** - **雷达数据**：通过速腾官方 SDK 或 ROS 驱动（如 `rslidar_sdk`）实时获取点云，格式为 `sensor_msgs/PointCloud2`。 - **IMU 数据**：通过串口或 ROS 节点读取角速度、加速度及时间戳。 - **数据传输频率** - 雷达通常为 10-20 Hz，IMU 为 100-1000 Hz，需通过算法异步处理多速率数据。 --- #### **3. 传感器标定** - **内参标定** - **IMU 内参**：标定零偏、噪声参数（使用 Allan 方差法或工具如 Kalibr）。 - **雷达内参**：校准点云畸变（如温度漂移补偿）。 - **外参标定** 标定雷达与 IMU 的相对位姿（旋转矩阵 $R$ 和平移向量 $t$），常用方法： - **手动标定**：基于已知靶标（如棋盘格）。 - **自动标定**：使用 LIO 算法本身在线优化外参（如 FAST-LIO2 的 `LI_Init` 模块）。 --- #### **4. 算法集成与参数配置** - **Faster-LIO 的核心优化** - **高效数据结构**：采用 **ikd-Tree** 管理增量式地图，支持动态插入/删除点云，复杂度降至 $O(\log n)$。 - **紧耦合融合**：通过误差状态卡尔曼滤波（ESKF）融合雷达观测与 IMU 预测，状态方程为： $$ \hat{x}_{k+1} = f(\hat{x}_k, u_k) + w_k $$ 其中 $u_k$ 为 IMU 输入，$w_k$ 为噪声。 - **适配速腾雷达的参数调整** - `lidar_type`：设置为速腾雷达型号（如 RS16）。 - `point_filter_num`：降采样率，适应雷达的高点云密度（如 1/2 采样）。 - `max_iteration`：迭代次数，影响收敛速度与精度。 --- #### **5. 实时处理与建图优化** - **运动补偿** 针对雷达扫描周期内的自身运动，利用 IMU 数据去畸变（Deskew），校正点云坐标。 公式： $$ p_{corrected} = R_{imu}^{t} \cdot p_{raw} + t_{imu}^{t} $$ 其中 $R_{imu}^{t}$ 和 $t_{imu}^{t}$ 为时间 $t$ 时刻的 IMU 位姿。 - **地图更新** 通过 ikd-Tree 快速检索最近邻点，匹配当前帧与地图，更新估计位姿。 --- #### **6. 性能调优与测试** - **资源分配** 调整线程数（如 `NUM_MATCHING_THREADS`）以适应 CPU 性能。 - **抗动态干扰** 启用 `remove_dynamic_objects` 滤除动态物体点云。 - **精度评估** 使用基准数据集（如 KITTI）或实地 SLAM 轨迹对比真值（如 RTK-GPS），计算绝对位姿误差（ATE）。 --- ### **关键挑战与解决方案** - **挑战1：时间同步偏差** **方案**：使用硬件同步或软件插值（如 B-spline 拟合 IMU 数据）。 - **挑战2：大规模点云实时处理** **方案**：启用 GPU 加速（如 CUDA）或进一步降采样。 - **挑战3：动态环境建图** **方案**：结合语义分割（如 RangeNet++）区分静态/动态点云。 --- ### **示例代码片段（ROS 节点）** ```cpp // 初始化 Faster-LIO 参数 std::shared_ptr<FAST_LIO::FastLio> lio_obj; lio_obj.reset(new FAST_LIO::FastLio()); lio_obj->set_ros_param(nh); // 读取 ROS 参数 lio_obj->init(imu_sub, cloud_sub); // 绑定 IMU 和雷达订阅 // 主要处理循环 while (ros::ok()) { lio_obj->run(); // 执行 ESKF 预测-更新 publish_odometry(); // 发布里程计 publish_map(); // 发布 ikd-Tree 地图 } ``` --- 通过以上步骤，速腾雷达可高效集成到 Faster-LIO 系统中，适用于自动驾驶、机器人导航等实时场景。实际部署时需根据硬件特性细致调参，并验证系统在复杂环境下的鲁棒性。
评论 8
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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