论文阅读笔记之——《Splat-LOAM: Gaussian Splatting LiDAR Odometry and Mapping》

2025-06-19

SLAM
LiDAR

引言

最近开源了一个基于lidar的2DGS工作。写下本博文，记录进行配置测试过程。

本博文仅供本人学习记录用~

paper
code
本博文复现过程采用的代码及代码注释（如有）：My github repository
paper list for the 3DGS：Awesome-3DGS-SLAM

理论解读

本文提出的就是一个基于lidar以及2DGS场景表征的SLAM系统。并且是纯lidar没有跟image或者IMU相结合。系统的框架如下图所示

直观来看应该就是把lidar点云投影成image，然后走2DGS一套。个人觉得跟最开始的lidar-based 3DGS《Drivinggaussian: Composite gaussian splatting for surrounding dynamic autonomous driving scenes》应该是很像的~ 对比的方法则是用基于nerf的或者voxelbox的，没有跟最经典的算法进行对比。

实验测试

安装配置

可以采用作者提供的Docker或者Pixi，不过此处采用conda配置：

git clone --recursive https://github.com/R-C-Group/Splat-LOAM.git

# rm -rf .git

conda env create -f environment.yaml # for A100 with CUDA12.2/12.1
# # conda remove --name Splat-LOAM --all
conda activate Splat-LOAM
# bash post_install.sh

# 安装第一个模块
pip install ./submodules/diff-surfel-spherical-rasterization/

# 安装第二个模块
pip install ./submodules/gsaligner/

# 安装第三个模块
pip install ./submodules/simple-knn/

实验测试

configs文件中含有运行所需要的配置
运行代码（注意要修改数据的路径,同时下载kitti数据）

python3 run.py slam <path/to/config.yaml>

conda activate Splat-LOAM
python3 run.py slam configs/kitti/kitti-00-odom.yaml

注意，上述需要在sequences/00内还要有times.txt文件，故此需要下载图像帧
下面是成功运行的截图：

[!TIP] If you want to solve Mapping-only, provide a trajectory in data.trajectory_reader.filename, set tracking to use it with tracking.method=gt and enable skipping of clouds that have no associated pose with data.skip_clouds_wno_sync=true

运行后提醒打开浏览器http://127.0.0.1:9876/,但是加载好久都加载不出来（改为MobaXterm即可）

若output.folder没有设置，实验结果会保存在 results/<date_of_the_experiment>/文件中(但实际运行中会遇到没有results导致跑了几个小时后没法保存模型…)

运行完SLAM后(运行的时间应该要好几个小时)，接下来可以基于SLAM的结果来生成mesh：

python3 run.py mesh <path/to/result/folder>
# conda activate Splat-LOAM
# python3 run.py mesh /home/gwp/Splat-LOAM/results/2025-06-19_09-40-53

.ply文件拉到在线网站进行可视化:

为了验证所计算的mesh以及odometry，运行下面命令:

python3 run.py eval_recon <reference_pointcloud_file> <estimate_mesh> 

python3 run.py eval_odom <path/to/odom/estimate> \
                          --reference-filename <path/to/reference/trajectory> \
                          --reference-format <tum|kitti|vilens> \
                          --estimate-format <tum|kitti|vilens> \