双系统卸载ubuntu系统并重装（双系统卸载ubuntu系统并重装）



0 前言

叠甲：本人不是导航、自动驾驶这类研究方向的，做的是点云三维重建，接触到该项目的起因为了帮忙赶材料。下文中若有任何疏漏错误还请海涵，亦多谢您耐心指正。本文供记录、整合和垫脚石之用。

使用的项目地址：

Publication声明：

路过的大佬能否指点一下：PVIO的执行命令中，有没有仅以imu数据来进行解算并生成轨迹线的命令？（有累计误差也ok，主要是有没有这个功能）

imu预积分作用：网上很多理论的解析，参考

简述下我认为预积分的作用：（1）提取每次迭代运算中的不变量，且只需线性运算便可校正测量值，减少运算时间；（2）通过融合传感器数据来抑制累积误差，估计imu的零偏bias值（存疑）。

好了，接下来便是PVIO程序配置与运行的过程记录，希望对你有所帮助。

1硬件准备与系统安装

（1）一台硬盘容量80G以上的电脑。感谢同门暂借了我一台老笔记本，这是它的配置：

笔记本的硬件配置查询，终端命令： lshw -short

（2）一块16G的移动U盘。用于制作ubuntu系统启动盘。

ubuntu系统为ubuntu-18.04.6-desktop-amd64，制作启动盘参考：

【win11下用rufus安装Ubuntu双系统】 https://www.bilibili.com/video/BV1BPg/?share_source=copy_web&vd_source=1e602e9ebfa67e21d45244a

系统安装参考：

【Windows 和 Ubuntu 双系统的安装和卸载】 https://www.bilibili.com/video/BV1554y1n7zv/?p=8&share_source=copy_web&vd_source=1e602e9ebfa67e21d45244a

其中使用的是GPT分区进行安装，未使用MBR分区。

2依赖项安装

2.1vim+gcc+gdb

参考https://blog.csdn.net/Nonpc123/article/details/

打开ubuntu的终端，输入命令：

2.2cmake

一开始用apt-get安装的版本为3.10.2，比项目中要求的cmake版本低。现版本为3.25.2，具体的更新步骤忘了...

可参考https://blog.csdn.net/_/article/details/

安装好cmake后，其实就可以跳转到3，尝试编译cmakeList文件来生成项目的工程文件，然后根据报告的错误信息去安装相应的依赖项。比方说报错“OpenCV_DIR does not exist”，那“_DIR”前面的为系统缺少的依赖项名称。

2.3OpenCV

安装的版本为4.7.0，参考https://blog.csdn.net/weixin_/article/details/

（1）安装依赖环境。在终端中输入命令：

（2）打开opencv官网https://opencv.org/releases/，点击sources下载源码并解压。

（3）进入解压后的源码目录，【右键】>【在终端打开】，输入命令：

（4）配置环境变量。打开终端输入命令：

在打开的ld.so.conf文件的末尾另起一行，输入、保存：

回到终端并输入：

在文件的末尾另起一行，输入以下两行命令、保存：

回到终端并输入：

（5）使用pkg-config工具检测OpenCV的版本，是否安装成功

2.4yaml-cpp

一个使用C++语言的YAML解析器与发射器。参考https://blog.csdn.net/_/article/details/

（1）在https://github.com/jbeder/yaml-cpp下载源码压缩包并解压。

（2）进入源码目录，【右键】>【在终端打开】，输入命令：

2.5Eigen3

参考https://blog.csdn.net/_/article/details/

（1）在eigen官网http://eigen.tuxfamily.org/index.php?title=Main_Page中点击“The latest stable release..”后的链接，下载压缩包并解压。

（2）进入源码目录，【右键】>【在终端打开】，输入命令：

（3）进入目录/usr/local/include/eigen3，复制目录下的文件“Eigen”到目录/usr/local/include。该步骤是为了让项目内.cpp文件中的#include <Eigen/Dense>能检索到eigen依赖项。

2.6ceres-solver

一个非线性优化库，使用版本2.1.0。参考

注意最好使用官网提供的包或git，我第一次安装的是github上其他源的，后续的编译有较多报错。

（1）进入ceres-solver官网http://ceres-solver.org/installation.html，在“获取源码”下方点击链接“latest stable release”下载压缩包并解压。

（2）进入源码目录，【右键】>【在终端打开】，输入命令：

（3）进入目录/usr/local/include查看是否存在ceres文件夹。

ceres-solver重装成功截图

2.7OpenGL

这个库是临时补充的依赖项。在cmake项目PVIO时报错：

参考：https://blog.csdn.net/ei1990/article/details/

在终端中输入命令：

2.8FFMPEG

该依赖项可能不是必须的。参考https://blog.csdn.net/u0/article/details/

在终端中输入如下命令：

3安装PVIO

终于，在配置好各种依赖项后（或者还在配置中），我们开始安装PVIO程序。

（1）下载PVIO源码并解压。

（2）进入源码目录，【右键】>【在终端打开】，输入命令：

（3）cmake、make过程中出现的问题：

有两种解决方法：一是重新执行命令“cmake ..”并祈祷连接到GitHub的网络能稳定通畅，是可行的但得多试几次；

二是自己动手把库下载下来：点击子模组‘ext/nanogui’后提供的GitHub地址，下载源码并解压到程序提供的子模组路径下，然后重新执行命令“cmake ..”。

nanogui库克隆失败

解决方法：安装OpenGL库，见2.7部分，然后重新执行命令“cmake ..”。若仍报相同错误，可能原因是程序未查询到该库的依赖项。参考https://blog.csdn.net/CCCDeric/article/details/

在终端输入如下命令：

解决方法：查看标红代码中函数的命名空间，或编译该代码所在的文件目录，根据这些名称重装相应的依赖项。

可以看到error函数的命名空间为ceres，需重装ceres-solver依赖项

PVIO cmake、make成功的截图：

4下载示例数据

（1）使用的是公开的EuRoC MAV 数据集，下载地址：

在“Downloads”下有数组数据集，点击表格ASL Dataset Format下的link链接，下载相应数据的压缩包。

（2）在PVIO源码目录创建文件夹Data（与文件夹build处在同一级目录下），将压缩包文件解压至Data文件夹内。

5运行PVIO

（1）这里截取了PVIO源码ReadMe中关于执行的部分：

参考chatgpt的翻译，PVIO的执行命令分三部分：（1）运行文件pvio-pc，该文件位于源码目录/build/pvio-pc；（2）指定所使用的数据集[data_scheme]://和该数据集所在路径[data_path]；（3）数据集的配置文件[config_yaml_path]，位于源码目录/config。

执行命令的每部分前需要敲个空格。

（2）进入build文件夹目录，【右键】>【在终端打开】，输入命令：

终端会显示相应的配置信息，并打开NanoVis可视化窗口。

config配置信息及NanoVis窗口

报错“段错误（核心已转储）”的解决方法：关闭NanoVis窗口，重新输入命令。该报错的原因未知，可能是电脑内存不够。

（3）点击NanoVis中的按钮【Run】开始解算。【Step】为逐帧解算，【ShutDown】为关闭程序。第一列数据为惯导系统三轴角速度和三轴加速度的静态偏差值，第二列为逐帧影像及匹配的同名点（猜测），第三列为仪器的状态参数。不清楚蓝线与紫线哪条为纠正后的轨迹。

解决方法：尝试再点一下【Run】；或者检查下数据集的所在路径是否有误，重新在终端输入PVIO执行命令。

（4）在build文件夹下的trajectory.tum为生成的轨迹线文件，可用文本格式读写。有八列数据，没有表头不清楚各列含义。

轨迹线文件

6其他、后记

（1）有关PVIO的论文，在项目的ReadMe文件中有它的下载地址：

该文P290的页脚处，有关于PVIO实验补充材料的下载链接，其中有两段视频——记录有多个数据集经预积分后生成的轨迹线；以及一份报告，PVIO与其他算法在多个数据集下的轨迹精度对比。

佷详实，佩服。（汗，虽然看不太懂）

（2）从配置到运行成功大概花了一天半，如果同学你也有复现的需要，建议预留出两天时间来习惯ubuntu的操作，并耐心配置这繁多的依赖项。

ok，至此有关PVIO的记录已基本完毕，余下的为吐槽时间。

PVIO后续若要纳为己用，肯定是要涉及源码优化和数据集的制作，自己应该是不会继续向下推进了，浅尝辄止。弄好当天就找老师做了个简短汇报——从输入数据上看得有相机+惯导的数据，没法仅处理imu数据，不然估计要大改程序，还得摸索着找各个功能的入口，不是个短时间的任务。估计老师听着也有些懵，但好在已pass掉我这块的内容了，因为这看着也不像是纯imu解算能到的精度和结果。这几天的精力和时间就这么弃掉也挺可惜的，于是，这篇记录被攒出来了（笑）。

以及关于引言部分的求指点，我猜，PVIO的程序里，imu预积分功能大概是没法这样弄，哪怕实现了，这种通过递推得到的精度，在未知静态偏差值的情况下，应该也好不到哪去。纯imu应该是没法算bias值的，得有其他源的数据来进行标定，按《预积分总结与公式推导》中所说：

对于理解 IMU 预积分理论所需的惯导知识...的更多复杂内容，比如对地球自转的处理，以及地速与绝对速度等概念就不做展开了。 IMU 和视觉这两种不同源的测量，也使得 IMU 的 bias 可观，从而可以在优化中被有效估计。

只能说...我也没做好功课，傻乎乎地扑上去弄这个imu预积分了。若要达到老师的要求，其实该去摸索下传统的捷联导航算法，至少也能憋出点实在的内容。

那么，感谢你耐心看到这里，承蒙厚爱，有缘再见。

以上。

版权声明：

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！

转载请注明出处，原文链接：https://www.xkablog.com/bcyy/37498.html