企业官网建设流程全解析

MULLS 的未来路线图：从 ROS 支持到传感器融合，开源 LiDAR SLAM 的演进方向展望

【免费下载链接】MULLS🤔 MULLS: Versatile LiDAR SLAM via Multi-metric Linear Least Square [ICRA 21]项目地址: https://gitcode.com/gh_mirrors/mu/MULLS

MULLS 是一款基于多度量线性最小二乘（Multi-metric Linear Least Square）的高效开源 LiDAR SLAM 系统，凭借在 KITTI 数据集上低漂移、高精度的表现，成为 ICRA 2021 上的明星项目。这篇文章将结合官方仓库中的 TODO 列表，为你梳理 MULLS 的未来路线图，展望从 ROS 支持、跨平台适配到传感器融合、定位模块等核心演进方向，帮助新手与开发者理解这款开源 LiDAR SLAM 即将走向哪里。

上图是 MULLS 在 KITTI 数据集 00~10 序列上与主流方法的定位精度（ATE）对比，可以看到它在城市道路、高速公路等不同场景下都保持了领先的精度与实时性，这也是它持续获得关注的底气所在。

为什么 MULLS 值得期待：项目现状速览

MULLS 的前端负责逐帧点云配准，后端负责回环检测与位姿图优化，实现了从原始点云到全局地图的完整 SLAM 闭环。当前版本 1.1 已在 Ubuntu 16.04/18.04/20.04 上测试通过，核心配准逻辑封装在 cregistration.hpp 中，位姿图优化模块位于 pgo/ 目录，官方还为新手准备了 demo_data 示例数据和一键运行脚本 run_mulls_slam.sh。

如上图所示，MULLS-SLAM 在实时查看器中同时展示轨迹、局部地图、特征点与全局地图，并实时输出 ATE（绝对轨迹误差）等精度指标，非常直观。

路线图方向一：ROS 支持，让 LiDAR SLAM 更快融入机器人生态

在官方 TODO 列表中，ROS 支持被列在最优先的位置。目前 MULLS 以命令行脚本方式运行，通过 lo_gflag_list_kitti_urban.txt 这类参数文件进行配置；未来接入 ROS 后，开发者可以直接订阅/scan、/cloud话题流式处理激光点云，无需手动整理数据目录，大幅降低与导航、避障等机器人组件的集成成本。这也是许多自动驾驶与移动机器人团队最期盼的功能。

路线图方向二：跨平台支持，摆脱 Linux 单一环境的束缚

当前 MULLS 依赖 PCL、G2O/Ceres、TEASER++ 等库，主要在 Linux 上运行。路线图中明确包含Windows 跨平台支持，一旦落地，将吸引更多在 Windows 下做三维视觉与点云处理的新手用户。配合仓库中的 Dockerfile 与 docker-compose.yml，未来在异构平台上复现 MULLS 环境也会更加轻松。

路线图方向三：传感器融合，从单激光雷达到多源融合

这是 MULLS 路线图中技术含量最高的演进方向。当前 MULLS 是纯 LiDAR SLAM，未来加入传感器融合模块后，可以融合 IMU、GNSS 乃至视觉里程计信息：

• LiDAR + IMU 融合：在剧烈运动或点云退化场景下提供稳定的位姿先验；
• LiDAR + GNSS 融合：利用 python/geo_tran/ 中的坐标转换工具（如 xyz2neu.py）实现全局坐标系对齐与大规模建图；
• 多传感器紧耦合：进一步提升建图与定位的鲁棒性。

融合后的 MULLS 将不再依赖单一传感器，能够在室内外、地下车库等复杂环境中持续稳定工作。

上图展示了 MULLS 点云配准（Registration）过程中的几何特征点提取与编码，这正是未来多传感器融合中用于数据对齐的关键技术基础。

路线图方向四：基于已建地图的定位模块

路线图还规划了基于已建地图的定位（Localization）模块。这意味着 MULLS 不仅能"建图"，还能在预先构建的地图中进行高精度重定位，这是自动驾驶量产落地和仓储机器人运行的关键能力。建成后，用户可以用 MULLS 构建一次全局地图，之后在运行时快速确定自身位置。

路线图方向五：代码重构与性能优化，为长期演进铺路

官方在 README 中明确表示代码"正在重构以提升可读性与性能"（Codes are currently under refactoring）。重构完成后，模块划分将更清晰，社区贡献代码的门槛更低，参数配置（如 lo_gflag_list_kitti_ultrafast.txt 等不同场景参数集）也会更易于理解和调优。

总结：MULLS 开源 LiDAR SLAM 的演进方向值得期待

综合来看，MULLS 的未来路线图清晰而务实：ROS 支持降低集成门槛，跨平台支持扩大用户群体，传感器融合提升系统鲁棒性，地图定位模块打通量产应用链路，代码重构则为上述一切奠定工程基础。对于想入门 LiDAR SLAM 的新手来说，现在正是跟进 MULLS 的好时机——你可以先运行 demo_data 中的示例数据体验完整流程，再跟随路线图见证这款开源 LiDAR SLAM 的持续进化。想要第一时间体验，可以 clone 仓库到本地开始探索：git clone https://gitcode.com/gh_mirrors/mu/MULLS。

【免费下载链接】MULLS🤔 MULLS: Versatile LiDAR SLAM via Multi-metric Linear Least Square [ICRA 21]项目地址: https://gitcode.com/gh_mirrors/mu/MULLS