企业官网建设流程全解析

如果你也是刚把A-LOAM的仓库拉下来，在本地Ubuntu上折腾了一整天，要么被Ceres版本卡住，要么被OpenCV头文件按在地上摩擦，那我建议你直接换个思路：去AutoDL上开一台机器来复现。这不是“偷懒”，而是把有限的精力花在真正该研究的算法上，而不是跟依赖库较劲。

A-LOAM是激光SLAM入门的经典项目，它去掉了原版LOAM里晦涩的非线性优化实现，改用Ceres Solver重新组织，代码结构清晰很多，非常适合用来理解激光里程计和建图的完整链路。这篇文章我从头到尾走一遍在AutoDL上复现A-LOAM的完整流程，包括实例创建、环境配置、源码编译、数据集准备、运行演示，以及我在这条路上踩过的所有坑。适合刚入门激光SLAM、想快速跑通一个真实SLAM系统、又不愿意在本地环境配置上浪费太多时间的同学。

1. 先别急着上手：A-LOAM复现到底是在复现什么

很多人一上来就复制命令，跑通了也不知道自己在跑什么。我建议先花五分钟把A-LOAM的来龙去脉理清楚，后面遇到问题才不至于两眼一抹黑。

1.1 LOAM与A-LOAM的差异：为什么选择A-LOAM入门

LOAM（LiDAR Odometry and Mapping）是Zhang Ji等人提出的激光SLAM算法，港科大沈劭劼团队在开源时做了不少工程化改进，A-LOAM就是其中一个广为人知的版本。A-LOAM保留了LOAM的核心思路：前端做特征提取（角点和平面点），中端做帧间配准得到里程计，后端维护局部地图做优化，最后输出高频低精度的里程计结果和低频高精度的建图结果。

A-LOAM和原版LOAM最大的区别在于，它把后端优化部分从作者自己实现的非线性优化改成了Ceres Solver，代码量更少、结构更清晰，对于想学习算法细节的人来说友好得多。A-LOAM还适配了多种激光雷达型号，提供VLP-16、HDL-64等launch文件，这也是很多人拿它当入门项目的原因。

不过它也有明显的特点：A-LOAM没有后端回环检测，也没有完整的图优化框架，它更像一个“轻量级激光里程计+建图”的演示系统。理解这一点很重要，因为后续你换数据集、改参数，预期要跟实际情况匹配。

1.2 复现所需的技术栈清单

在动手之前，先盘点一下A-LOAM依赖的核心库，这样配置环境的时候才知道每一步在干什么：

• ROS：整个系统的通信框架，A-LOAM的节点通过ROS话题收发点云、位姿和地图。
• Eigen3：矩阵运算库，A-LOAM的位姿解算大量用到Eigen的数据结构。
• Ceres Solver：非线性优化库，A-LOAM的后端优化全依赖它。
• PCL：点云处理库，用于点云滤波、特征提取和可视化。
• OpenCV：A-LOAM在视觉辅助部分用到，比如点云强度图的投影显示。

这里面的核心是ROS和Ceres。ROS不用多说，整个A-LOAM就是几个ROS节点在协作；Ceres则是A-LOAM和原版LOAM差异最大的地方，也是编译时最容易出幺蛾子的环节，后面我会单独讲版本问题。

1.3 为什么在AutoDL上复现，而不是本地虚拟机

我自己在本地踩过不少坑。如果你用的是Windows，得装双系统或虚拟机，虚拟机里跑ROS本身就别扭；如果你用的是Mac，对不起，ROS的体验更糟。就算你本地是Ubuntu，一旦系统里已经装过别的深度学习环境、OpenCV版本冲突，A-LOAM的编译就会一团乱麻。

AutoDL的价值在于：它提供干净的Linux环境、按小时计费、配置可以随时销毁重建，而且有“无卡模式开机”这种省钱机制。A-LOAM本身不需要GPU算力，纯CPU就能跑，但AutoDL的便利性在于环境隔离和快速重置——装坏了就销毁重来，不用像本地环境一样畏首畏尾。另外，AutoDL自带国内访问速度快的源，下载依赖库和数据集都比本地省心。

2. AutoDL算力云实例创建与环境准备

既然决定用AutoDL，第一步就是在平台上创建一台合适的实例。这一步看似简单，但有几个细节直接影响后续效率。

2.1 镜像选择：版本坑从这一步就避开

创建实例时，平台会让你选基础镜像。很多人习惯性选PyTorch、TensorFlow这些带深度学习框架的镜像，但对A-LOAM来说，这些框架完全用不上，反而会带来OpenCV版本冲突的隐患。

我的建议是选“Miniconda”或者不带深度学习框架的基础镜像。为什么？因为A-LOAM需要的ROS、Eigen、PCL、Ceres都是系统级依赖，跟conda环境里的Python包关系不大，选择净净的基础镜像，后续自己装ROS反而更可控。如果你运气好，在社区镜像里能搜到带ROS的镜像，那确实能省不少时间，但我不太推荐——因为你不知道镜像作者用的是什么版本组合，一旦和A-LOAM源码不兼容，排查起来更痛苦。

注意一下镜像对应的Ubuntu版本。A-LOAM是ROS 1时代的老项目，用Ubuntu 20.04搭配ROS Noetic最稳妥。AutoDL大多数基础镜像默认就是Ubuntu 20.04，创建实例前在镜像详情里确认一下即可。

2.2 实例创建与SSH登录关键参数

创建实例时选择一张便宜的GPU卡就行。A-LOAM跑起来连GPU的1%都用不到，本质是CPU密集型任务，选最低配的卡就是为了开机的入场券。如果你只是为了跑通A-LOAM，选择按量计费，用多久算多久，跑完就关机销毁，成本可以控制在几块钱以内。

实例创建成功后会进入“开机中”状态，稍等片刻就能在实例列表看到SSH登录指令，类似这样：

ssh -p 32373 root@connect.xxx.seetacloud.com

密码在实例信息页面可以查看。我第一次用时对着这个端口号愣了半天，后来才意识到AutoDL的SSH不是默认22端口，而是每个实例随机分配一个高位端口，连接时一定要把-p参数带上。

登录之后建议先跑一遍系统更新：

apt update && apt upgrade -y

AutoDL的apt源默认已经配置成了国内镜像，下载速度相当快，这一步几乎不用等。

2.3 无卡模式与VS Code远程连接的省钱省心技巧

AutoDL有两个功能，我觉得对复现A-LOAM来说比GPU本身更有用：一是“无卡模式开机”，二是“VSCode远程连接”。

无卡模式的意思是，实例开机时不分配GPU，只保留CPU和内存，计费价格低很多。A-LOAM整个流程——装环境、编译、跑数据集——完全不需要GPU，所以我的做法是：先关机，然后勾选“无卡模式开机”，在这个模式下把所有环境配置好、编译通过、跑完数据，再关机销毁。钱花得极少，体验却一点不差。

VS Code远程连接适合需要频繁改代码的人。本地VS Code装好Remote-SSH插件后，用AutoDL实例的SSH信息直接连接，代码在远端跑，本地看日志、改文件都很方便。跑A-LOAM时我经常需要看rviz窗口，用VS Code配合终端和端口转发，比每次都去网页终端敲命令高效很多。

3. 从零手写ROS与核心依赖库配置

环境配置是复现A-LOAM过程中最容易劝退人的部分。我尽量把每一步的命令写完整，并且解释为什么这么做。

3.1 安装ROS Noetic并初始化工作空间

ROS Noetic安装命令比较固定：

sudo apt install -y ros-noetic-desktop-full

桌面完整版会带上rviz、tf等可视化工具，A-LOAM的Launch文件依赖这些组件，所以不要装精简版。装完以后配置环境变量：

echo "source /opt/ros/noetic/setup.bash" >> ~/.bashrc source ~/.bashrc

紧接着安装一些编译工具：

sudo apt install -y python3-rosdep python3-catkin-tools python3-rosinstall-generator

这里有个可以跳过的坑：很多教程让执行sudo rosdep init和rosdep update，但这一步经常因为网络问题卡住，而且A-LOAM编译过程其实不需要rosdep解析依赖，因为它的依赖库我们手动装齐了。我实测下来，跳过rosdep完全没问题，能省不少时间。

最后创建一个catkin工作空间：

mkdir -p ~/aloam_ws/src cd ~/aloam_ws catkin_make

第一次跑catkin_make会自动生成build和devel目录，可能报一些缺包的错误，别慌，后面把所有依赖装完再回来编译就不会了。

3.2 Eigen3与PCL的安装与版本验证

Eigen3和PCL直接通过apt安装就行：

sudo apt install -y libeigen3-dev libpcl-dev

Ubuntu 20.04默认的Eigen是3.3.7，PCL是1.10，这两个版本配合A-LOAM源码没有问题。装完之后建议验证一下Eigen版本，因为后面Ceres编译会用到Eigen：

pkg-config --modversion eigen3

如果打印出3.3.x，说明没问题。有些镜像里Eigen是3.4甚至更高版本，3.4跟PCL 1.10配合可能出现点类型声明的兼容性报错，一旦遇到，最简单的办法是手动装回Eigen 3.3.7，后面我会在排查章节详说。

3.3 Ceres Solver编译安装：版本坑详解

Ceres是A-LOAM唯一的硬骨头。A-LOAM在CMakeLists里直接写死了Ceres依赖，但它早期的代码是为Ceres 1.x设计的。Ubuntu 20.04用apt默认装的Ceres是1.14.0，这是一个经过验证的稳妥选择：

sudo apt install -y libceres-dev

如果你想通过源码安装Ceres，务必锁定1.14.0版本，不要装2.x：

sudo apt install -y libgoogle-glog-dev libgflags-dev libatlas-base-dev git clone https://github.com/ceres-solver/ceres-solver.git cd ceres-solver git checkout 1.14.0 mkdir build && cd build cmake .. make -j$(nproc) sudo make install

为什么这么强调版本？因为Ceres 2.x对SPARSE_NORMAL_CHOLESKY等线性求解器的处理做了调整，和A-LOAM源码里的调用方式不兼容，编译阶段就会报错。如果你在用apt装Ceres时报错找不到包，那就走源码安装路线，注意checkout到1.14.0这个tag。

3.4 OpenCV 4.x兼容性修复

Ubuntu 20.04自带的OpenCV是4.2版本。A-LOAM源码里部分文件用的是OpenCV 3时代的头文件和接口，编译时会报两类典型错误：

• fatal error: opencv/cv.h: No such file or directory
• error: 'CV_LOAD_IMAGE_COLOR' was not declared in this scope

第一个错误是因为OpenCV 4把一些旧的C接口头文件移除了，第二个是因为读取图像的方式变了。解决办法是手动修改A-LOAM源码中相关文件，打开laserMapping.cpp，把：

#include <opencv/cv.h> #include <opencv/highgui.h>

改成：

#include <opencv2/imgproc.hpp> #include <opencv2/highgui.hpp>

再把代码里所有CV_LOAD_IMAGE_COLOR改成cv::IMREAD_COLOR。修改之后重新编译即可。这也是我为什么强调用AutoDL而不是本地的原因——本地OpenCV版本可能比A-LOAM源码的适应范围更混乱，而AutoDL上一个干净环境里，修改点就那么两处，改完就过。

4. A-LOAM源码编译、数据集准备与运行

环境配好之后，把源码拉下来编译运行，整个复现就算完成大半了。

4.1 拉取源码并编译：完整命令流

A-LOAM的源码位于HKUST-Aerial-Robotics的A-LOAM仓库，在AutoDL终端里执行：

cd ~/aloam_ws/src git clone https://github.com/HKUST-Aerial-Robotics/A-LOAM.git cd ~/aloam_ws catkin_make

第一次编译大概率会报错，最常见的还是OpenCV头文件问题，按3.4节的方法改完再重新编译。编译成功后会看到build目录下生成了aloam_velodyne、aloam_utils等可执行节点。编译完成后激活工作空间：

source ~/aloam_ws/devel/setup.bash

注意每次新开终端要么重新source一次，要么把这行加到~/.bashrc里。

4.2 数据集准备：两种高效方案

跑A-LOAM需要一份激光雷达录制的rosbag。这里介绍两种方案，按需要选择。

方案一：直接下载别人转好的小bag。最经典的是LOAM作者提供过的室内场景bag——nsh_indoor_outdoor.bag，数据量小、场景简单，几十秒就能跑完，非常适合验证环境是否正确。这个bag文件网上资源很多，AutoDL下载也方便。

方案二：使用KITTI数据集。KITTI是自动驾驶公开数据集，A-LOAM仓库自带的kitti_helper节点就是为此设计的。你需要把KITTI odometry数据集的某个序列下载下来，然后修改kitti_helper.cpp里数据路径的宏定义，重新编译。KITTI的数据是bin格式，kitti_helper节点会负责把bin文件转换成ROS点云话题发布。这种方法更贴近论文实验场景，但KITTI数据下载体积较大，下载速度也看网络。

我第一次跑的时候选的方案一，主要原因是快，能迅速验证整个流程通不通。等环境完全跑通、你开始研究参数对效果的影响时，再上KITTI也不迟。

4.3 启动launch与rviz可视化实操

下载好bag文件后，启动A-LOAM：

roslaunch aloam_velodyne aloam_velodyne_VLP_16.launch

接着播放bag：

rosbag play nsh_indoor_outdoor.bag

这时终端会刷出大量递帧里程计信息。如果希望慢速播放观察建图过程，可以加一个速率参数：

rosbag play -r 0.5 nsh_indoor_outdoor.bag

可视化方面，AutoDL实例默认没有桌面环境，但你可以通过两种方式看到rviz窗口。第一种是通过AutoDL的VNC图形界面功能，在控制台工具里开启VNC后，网页端就能看到远程桌面，然后在远程桌面里运行rviz；第二种是把生成的pcd点云地图文件下载到本地，用CloudCompare打开查看。

A-LOAM运行过程中，rviz里固定坐标系选择camera_init，添加PointCloud2话题/velodyne_cloud_registered和/map，就能看到点云地图逐渐累积的过程。如果你不方便开rviz，也不影响验证——A-LOAM在跑完bag后会把完整地图保存成map.pcd文件，路径在launch文件里配置，默认是当前目录。

4.4 无桌面环境下的结果查看替代方案

如果你不想折腾VNC，我的建议是把点云结果拿到本地看。运行结束后，用scp命令把map.pcd从AutoDL拉回本地：

scp -P 32373 root@connect.xxx.seetacloud.com:~/aloam_ws/map.pcd .

本地用CloudCompare或者Open3D打开，旋转视角就能看到完整的建图效果。这个方法虽然少了实时观看的快感，但在验证算法效果上完全够用，而且非常适合自动化批量测试不同数据集。

5. 踩坑记录：编译报错与运行异常的排查速查表

复现A-LOAM，踩坑是必然的。我把高频问题集中整理成一个表格，每个问题都附上解决办法。

5.1 高频编译错误与修复方法

其中Eigen 3.4的问题比较隐蔽，报错信息可能是一大段模板错误，很多人看到就懵了。遇到这种问题，先跑一下pkg-config --modversion eigen3确认版本，只要是3.4就果断装回3.3.7，不要试图改源码适配，成本完全不成比例。

5.2 节点启动即退出与话题不通的定位思路

A-LOAM启动后如果某个节点秒退，可以先看launch文件里对应的node名字，然后在终端单独运行该节点，看具体报错。比如laserMapping节点启动后不打印任何信息就退出，大概率是依赖的TF树没有建立，这时候要先看看transformMaintenance节点是否正常启动。

话题不通也是常见问题。A-LOAM订阅的点云话题默认是/velodyne_points，如果bag文件里的话题名不是这个，rviz里自然看不到任何点云。排查方法很简单：

rostopic list

看bag播放时有没有/velodyne_points这个话题。如果没有，就需要用rosbag info查看实际话题名，然后修改launch文件中的remap参数，把A-LOAM订阅的话题映射到bag的实际话题上。

5.3 时间戳、坐标系与点云坐标系对齐

rviz里看不到点云，除了话题名问题，另一个高频原因是坐标系不对。A-LOAM的规划里，所有点云都变换到camera_init坐标系下，如果rviz的Fixed Frame没设置成camera_init，点云会因为坐标系不存在而不显示。

另外，bag中如果同时包含多个传感器数据，可能出现时间戳不同步的问题。A-LOAM对点云时间戳比较敏感，一旦中间有空白期，算法可能突然跳到错误的位置，现象就是点云地图突然出现巨大跳变。解决方法是降低播放速度：

rosbag play -r 0.3 xxx.bag

实在不行可以尝试用rostopic delay工具做时间对齐，但大多数情况下降低播放速度已经够了。

5.4 AutoDL特定问题：端口、存储与镜像复用

AutoDL自身也有几个容易踩的点。第一是SSH端口渐变——实例每次重新开机，SSH端口和地址都可能变化，所以每次开机都要去控制台重新确认连接信息。不要用之前存的连接串硬连，连不上就怀疑平台出问题，其实只是端口变了。

第二是存储空间。A-LOAM本身占用空间不大，但如果用KITTI数据集，几十GB的数据一下就能塞爆系统盘。创建实例时尽量选带数据盘的套餐，KITTI数据放数据盘，不要堆在系统盘里。

第三是镜像复用。AutoDL关机后可以保存镜像，如果你在A-LOAM环境上已经配好了一套完整依赖，跑完一次实验后可以把当前环境保存成自定义镜像，下次要再跑别的SLAM算法时直接基于这个镜像创建实例，能省下重新配环境的时间。不过注意，镜像保存会占用存储费用，不需要的时候及时清理就行。

6. 一轮跑通之后：从复现到二次开发的进阶建议

环境跑通、看到点云地图那一刻，复现任务算是完成了。但如果你觉得就这样结束了，那有点可惜——A-LOAM能教会你的东西远不止“会跑一个demo”。

6.1 理解代码结构与关键节点

A-LOAM有四个核心节点：scanRegistration负责从原始点云中提取角点特征和平面特征，laserOdometry负责帧间配准并输出高频里程计，laserMapping负责维护局部地图做优化，transformMaintenance负责维护TF坐标变换。建议按这个顺序读代码，先读scanRegistration，理解特征点的定义规则；再读laserOdometry，理解帧间配准的代价函数；laserMapping里涉及Ceres的部分，是理解A-LOAM和原版LOAM差异的关键。

我个人的经验是，读完scanRegistration之后，你对“角点特征尽量选在锐利边缘，平面特征尽量选在平滑平面”这个SLAM基本逻辑会有非常直观的理解，这将帮你今后阅读FAST-LIO、LIO-SAM等更复杂的算法时打下基础。

6.2 更换数据集的几个修改点

如果你想把A-LOAM跑在自己录制的数据上，通常要修改launch文件里的这几个参数：

• 点云话题名（remap到你的雷达话题）
• 雷达线数（VLP-16是16线，HDL-64是64线，直接影响特征提取参数）
• 雷达扫描周期（默认0.1秒对应10Hz）
• 点云强度阈值（关系到角点特征提取的过滤条件）

修改后重新编译或直接修改launch文件里的参数即可，A-LOAM这一块做得很灵活，不需要改算法源码。

6.3 从A-LOAM到FAST-LIO的下一步选择

跑通A-LOAM后，如果想继续在激光SLAM方向深入，比较自然的进阶路线是FAST-LIO、FAST-LIO2，再往后是LIO-SAM这类融合了惯性导航和回环检测的完整系统。你会发现，这些系统的核心模块里多少都有A-LOAM的影子：点云特征提取、帧间配准、局部地图维护，这些概念是贯穿整个激光SLAM领域的公共知识，把A-LOAM吃透了再上手别的算法，会轻松很多。

FAST-LIO2同样很适合在AutoDL上复现，因为它对CPU性能有一定要求，AutoDL的机器配置通常比个人电脑好不少，跑起来更流畅。

复现A-LOAM这件事，说难不难，但坑确实不少。我在AutoDL上花了不到半天时间就完成了环境搭建和实跑验证，对比之前在本地虚拟机里折腾的两天，效率高太多了。这里面最大的心得就是：不要把时间浪费在环境配置上，尤其当你只是想理解算法本身时，用AutoDL这种可以快速销毁重建的云端环境，是性价比最高的选择。

最后再分享一个小技巧：把A-LOAM跑通后，先别着急换数据集，把bag播放速度调成0.3倍，盯着rviz里的点云地图看一遍完整的建图过程。盯着点云逐渐累积、墙壁和桌子的轮廓慢慢浮现，你会对激光SLAM在建图时“前一帧是怎么和当前帧对齐的”这个抽象概念，产生非常直观的理解。这个感受，是看任何文档和论文都换不来的。