提示：以下全是自己编译实际运行SLAM工程实践中遇到的种种问题及如何解决相关问题使用自己的相机和雷达实时运行R3LIVE、FAST-LIO2、FAST-LIVO等SLAM系统前言写这篇博客的主要目的：记录自己从零开始接触

R3LIVE:ARobust,Real-time,RGB-colored,LiDAR-Inertial-Visualtightly-coupledstateEstimationandmappingpackage

五、LIO-SAM六、S-LOAM七、M-LOAM八、livox-loam九、Livox-Mapping十、LIO-Livox十一、FAST-LIO2十二、LVI-SAM十三、FAST-Livo十四、R3LIVE

R3LIVE：一个强大、实时、RGB彩色、激光雷达-惯性-视觉紧密耦合的状态估计和建图JiarongLinandFuZhang摘要在本论文中，我们提出了一种新颖的激光雷达-惯性-视觉传感器融合框架，命名为

目录1r3live_vio.cpp简介2r3live_vio.cpp源码解析1r3live_vio.cpp简介R3LIVE主要的公式推导在VIO上，所以我们来细细的分析这部分的功能。

目录1r3live_lio.cpp文件简介2r3live_lio.cpp源码解析1r3live_lio.cpp文件简介在r3live.cpp文件中创建LIO线程后，R3LIVE中的LIO线程本质上整体流程和

目录1r3live.cpp简介2r3live.cpp源码解析3r3live.hpp源码解析1r3live.cpp简介我们在R3LIVE流程解析中提到R3LIVE主要由两个node节点所依赖的cpp文件组成

1LiDAR_front_end.cpp简介激光点云首先在LiDAR_front_end节点中提取特征点，将处理完的信息通过/laser_cloud_flat完成节点的发送出去，与FAST-LIO2相同R3LIVE

目录步骤1:环境配置1.1安装环境和驱动1.2安装依赖1.3下载源码，编译准备1.4程序节点概括步骤2:相机内参标定2.1前期准备2.3cameraCalib标定2.4内参结果步骤3:标定准备和数据采集3.1标定场景准备3.2连接雷达3.3连接相机3.4采集照片和点云数据步骤4:标定数据获取4.1参数设置4.2获得照片中的角点坐标4.3获得雷达点云中的角点坐标5.2外参计算getExt1节点5.3

目录1R3LIVE数据采集运行步骤1.1录制数据集1.2修改config下对应的配置文件1.3启动相机和雷达节点1.4运行R3LIVE与播包2R3LIVE在线运行1R3LIVE数据采集运行步骤1.1录制数据集采集数据需要注意的一点是

目录1R3LIVE框架简介2R3LIVE的launch文件3R3LIVE的r3live_config文件4R3LIVE从哪开始阅读1R3LIVE框架简介R3LIVE是香港大学Mars实验室提出的一种融合

目录3.1lidar_camera_calib简介3.2环境准备3.3编译3.4运行数据集(1)单场景标定(2)多场景标定3.5使用您自己的传感器设置3.5.1采集相机图片和雷达bag数据3.5.2使用多场景标定3.5.3相机内参获取3.5.4运行标定程序3.5.5验证结果源码地址：https://github.com/hku-mars/livox_camera_calib注意：lidar_cam

目录1.1安装环境1.2安装CUDA1.3下载SDK1.4编译运行ZEDros驱动1.5测试(1)ROSZEDPackage测试(2)ZED_Depth_Viewer测试

目录2.1运行环境2.2雷达连接2.3雷达配置2.4程序测试参考文章：LivoxAvia雷达测试使用-----测试使用（Ubuntu18.04+ROSMelodic）_livoxmelodic_杰尼君的博客-CSDN博客2.1运行环境Li

一、环境搭建基础环境：rosmelodicopencv3.4ubuntu18.04nx1）sudo apt-get install ros-melodic-cv-bridgeros-melodic-tfros-melodic-message-filtersros-melodic-image-transportros-melodic-image-transport*2）搭建livox_ros_dri

Fast-LIVO追求精度Fast-LIVO文件数量不多DifferenceFASTLIVOandR3LIVE·Issue#6·hku-mars/FAST-LIVO·GitHubpreprocess预处理主要是激光雷达的数据类型选择和数据处理其中涉及到的算法处理包括：give_feature/plane_judge/small_plane/edge_jump_judge,这些都是选择特征处理方法才

paper:https://arxiv.org/abs/2109.07982code:https://github.com/hku-mars/r3live一、创新点/主要贡献；1.一个能够实时定位，建图和染色的

专栏系列文章如下：一：TixiaoShan最新力作LVI-SAM(Lio-SAM+Vins-Mono)，基于视觉-激光-惯导里程计的SLAM框架，环境搭建和跑通过程_goldqiu的博客-CSDN博客二.激光SLAM框架学习之A-LOAM框架---介绍及其演示_goldqiu的博客-CSDN博客三.激光SLAM框架学习之A-LOAM框架---项目工程代码介绍---1.项目文件介绍（除主要源码部分）

R3LIVE编译运行和代码分析说在前面编译运行opencv4编译安装和使用cv_bridge和高版本opencv的适配代码分析LiDAR_front_endLIOVIO数据结构Image_frameCamera_Lidar_queueMeasureGroupStatesGroupRGB_ptsRGB_VoxelRgbmap_trackerGlobal_map

安装编译了livox_ros_driver和livox_SDK，在编译R3LIVE算法时，遇到报错fatalerror:livox_ros_driver/CustomMsg.h:没有那个文件或目录4|#

该驱动程序安装可以参考R3LIVE(升级R2LIVE)：编译与运行中的2.2小节。

这是继R3live后的第二个版本。这项工作提出的激光雷达视觉惯性融合框架实现了鲁棒和准确的状态估计，同时实时重建光度地图。系统

r3live安装编译资料：论文：https://github.com/hku-mars/r3live/tree/master/papers源码：https://github.com/hku-mars/r3live

在上一篇我们提到，livox雷达给业界内的3D激光领域提供了一大补充，而loam-livox在温柔的使用下表现也还不错，但在比较颠簸激烈的环境下也难以维持高精度，因此lidar与imu的结合使用在近年也日益流行。FAST-LIO基于IEEKF（迭代误差KF）的紧耦合建图方法，鲁棒性较loam-livox提升了一档，在非常极端的运动下也有可能维持住位姿。它的论文是《FAST-LIO:AFast,Ro

上一篇FAST-LIO的文章写的不是很好，我经过几个月的反思和学习，现在厚着脸皮继续写，我会进一步分析ESKF的行为，弥补上一篇的一些问题。这次阅读的源码是R2Live，论文为《R2LIVE:ARobust,Real-time,LiDAR-Inertial-Visualtightly-coupledstateEstimatorandmapping》。它的工程看起来像是FAST-LIO与Vins-F

文章：R3LIVE:ARobust,Real-time,RGB-colored,LiDAR-Inertial-Visualtightly-coupledstateEstimationandmappingpackage

文章目录一、设备与运行结果二、R3LIVE基本介绍三、编译R3LIVE1）ROS安装2）livox_ros_driver3）CGALandpcl_viewer（可选）4）OpenCV（版本要求高于3.3

R3LIVE相关参考：R3LIVE(升级R2LIVE)：编译与运行https://blog.csdn.net/handily_1/article/details/122271243?

（万字长文预警）这段时间换了部门，有许多要交接的事情要忙，并且设计开发了一个大型的视觉地图养成系统，非常有意思乃至于废寝忘食，所以文章鸽了很久，这一篇克服拖延症，将r2live的阅读写完。不得不说，我在阅读的过程当中并没有抠太多数学上的细节，没有去深入思考四元数的表述形式，李代数是求导还是扰动，公式之间结果的跳变，或是代码和公式有些地方对不上等等，更注重如何剖析整个工程，站在作者的角度去“逆向开发

0.简介在上一章中，我们过完了主函数以及LIO的操作，由于这部分代码在FAST-LIO2中已经充分详细的介绍过了，所以说这里在R3LIVE中就不过多介绍了，下面我们来看一下本系列的重点，即VIO部分。

这一节，我们将围绕着VIO部分来进行讲解1.PNP误差更新我们从之前的博客《经典文献阅读之–R3LIVE》了解到，帧到帧的VIO是将三维地图点投影到上一个图像帧获取二维座标然后通过LK光流法获取到在当前帧的二维坐标

R3LIVE相关参考：R3LIVE(升级R2LIVE)：编译与运行https://blog.csdn.net/handily_1/article/details/122271243?

hdl_graph_slam三、LOAM四、LeGO-LOAM五、LIO-SAM六、livox-loam七、Livox-Mapping八、FAST-LIO2九、LVI-SAM十、FAST-Livo十一、R3LIVE

R3live是香港大学MARS实验做的有关Livox雷达的相关成果，于2021年12月31日开源，其主要目标是以Livox雷达为核心做多传感器融合方案。

激光SLAM论文简单导读--LOAM、VLOAM、LeGO-LOAM、LIO-SAM、LVI-SAM、LIMO、LIC-FUSION、TVL-SLAM、R2LIVE、R3LIVE时间线开篇巨作LOAM（