本文面向刚进入机器人、SLAM、自动驾驶、无人机、移动机器人方向的新人，介绍 PCL、Eigen、OpenCV、ROS/ROS2、Ceres、g2o、Sophus 等常见开源库的作用、学习重点和练习路线。目标不是背 API，而是建立“这些库为什么重要、在系统里怎么配合”的整体认知。

---

一、为什么机器人开发离不开开源库？

机器人软件不是单一算法，而是一个由传感器、数学计算、感知、定位、建图、规划、控制和可视化组成的复杂系统。

一个典型机器人系统可能同时处理：

• 相机图像
• 激光雷达点云
• IMU 加速度和角速度
• 轮速计数据
• GPS/RTK 数据
• 地图数据
• 位姿和轨迹
• 控制指令

如果所有底层能力都从零写，成本非常高，也很容易出错。因此机器人开发大量依赖成熟开源库。

常见库可以粗略分成几类：

类别	常用库	主要作用
数学计算	Eigen	矩阵、向量、坐标变换、线性代数
图像处理	OpenCV	相机图像处理、视觉算法、标定
点云处理	PCL	激光雷达/RGB-D 点云滤波、分割、配准
机器人框架	ROS/ROS2	节点通信、消息管理、系统集成
非线性优化	Ceres、g2o	SLAM 后端、标定、位姿图优化
位姿表示	Sophus	SO(3)、SE(3)、李群李代数
空间搜索	nanoflann、ikd-Tree	最近邻搜索、点云地图索引
地图表达	OctoMap、grid_map	栅格地图、三维占据地图

新人学习这些库时，不建议一开始就“库大全式”学习，而应该围绕机器人数据流理解它们之间的关系。

机器人系统中的典型数据流：

传感器数据
   ↓
ROS/ROS2 消息
   ↓
OpenCV / PCL / Eigen 数据结构
   ↓
算法处理
   ↓
位姿、地图、检测结果
   ↓
rviz 可视化 / 控制模块 / 规划模块

---

二、Eigen：机器人算法的数学地基

2.1 Eigen 是什么？

Eigen 是 C++ 中非常常用的线性代数库。机器人代码里只要出现矩阵、向量、旋转、位姿、雅可比，大概率都能看到 Eigen。

它常用于：

• 三维点和向量表示
• 矩阵运算
• 坐标系变换
• 旋转矩阵、四元数、欧拉角
• 线性方程求解
• 最小二乘和优化问题中的雅可比计算
• EKF、ESKF、SLAM、VIO、LIO 中的状态表达

2.2 机器人里常见的 Eigen 类型

类型	含义	常见用途
Eigen::Vector3d	三维向量	点、速度、加速度、平移
Eigen::Matrix3d	3×3 矩阵	旋转矩阵、协方差
Eigen::Matrix4d	4×4 矩阵	齐次变换矩阵
Eigen::Quaterniond	四元数	三维旋转
Eigen::Isometry3d	刚体变换	位姿变换
Eigen::AngleAxisd	轴角	旋转构造与转换

示例：定义一个三维点。

Eigen::Vector3d point(1.0, 2.0, 3.0);

示例：定义一个单位旋转矩阵。

Eigen::Matrix3d R = Eigen::Matrix3d::Identity();

示例：定义一个位姿变换。

Eigen::Isometry3d T = Eigen::Isometry3d::Identity();
T.rotate(R);
T.pretranslate(Eigen::Vector3d(1.0, 0.0, 0.0));

2.3 新人重点不是背 API，而是理解坐标变换

机器人里最容易让新人迷糊的是坐标系。

常见坐标系包括：

• map：地图坐标系
• odom：里程计坐标系
• base_link：机器人本体坐标系
• imu_link：IMU 坐标系
• camera_link：相机坐标系
• lidar_link：激光雷达坐标系

一个点从激光雷达坐标系变换到地图坐标系，本质就是：

p_map = T_map_lidar * p_lidar

这里的 T_map_lidar 就可以用 Eigen 的矩阵、四元数或 Isometry3d 表示。

如果你以后看 FAST-LIO、LIO-SAM、VINS-Fusion、ORB-SLAM，会反复看到类似的位姿变换。

2.4 Eigen 建议学习顺序

建议按下面顺序学：

1. 向量：Vector2d、Vector3d、VectorXd
2. 矩阵：Matrix3d、Matrix4d、动态矩阵
3. 基础运算：加减乘、转置、逆、行列式
4. 旋转表达：旋转矩阵、欧拉角、轴角、四元数
5. 刚体变换：Isometry3d、Affine3d
6. 坐标变换链：T_world_body * T_body_sensor
7. 与 ROS 消息互转：geometry_msgs、tf2

一句话总结：Eigen 是机器人算法的数学地基，越早熟悉越好。

---

三、OpenCV：机器人视觉入门首选

3.1 OpenCV 是什么？

OpenCV 是计算机视觉领域最常见的开源库。只要机器人上有相机，基本就会用到 OpenCV。

它可以处理：

• 图像读取、保存、显示
• 图像滤波、增强、二值化
• 边缘检测、轮廓提取
• 特征点检测和匹配
• 光流跟踪
• 相机标定
• 双目视觉
• ArUco / AprilTag 识别
• 深度学习模型前后处理

最基础的图像读取：

cv::Mat img = cv::imread("image.png");
cv::imshow("image", img);
cv::waitKey(0);

图像灰度化和边缘检测：

cv::Mat gray, edges;
cv::cvtColor(img, gray, cv::COLOR_BGR2GRAY);
cv::Canny(gray, edges, 50, 150);

3.2 OpenCV 在机器人中的典型用途

场景	OpenCV 作用
相机驱动调试	显示图像、检查曝光、检查畸变
相机标定	求内参、畸变参数、重投影误差
视觉里程计	特征点提取、匹配、光流跟踪
目标识别	图像预处理、结果可视化
双目视觉	立体匹配、视差图、深度估计
标志物定位	ArUco、AprilTag 检测
视觉 SLAM	图像金字塔、特征、PnP、RANSAC

3.3 新人一定要理解 cv::Mat

cv::Mat 是 OpenCV 最核心的数据结构，可以理解成一张图像或一个矩阵。

一张 RGB 图像通常是：

高度 × 宽度 × 通道数

例如 640×480 的彩色图像：

480 行，640 列，3 通道

新人容易踩坑的地方：

• OpenCV 默认颜色顺序是 BGR，不是 RGB
• 图像坐标原点在左上角
• 像素坐标通常是 (u, v)，不是三维坐标 (x, y, z)
• cv::Mat 赋值默认可能共享数据，需要注意深拷贝 clone()
• ROS 图像消息和 cv::Mat 之间通常需要 cv_bridge

3.4 OpenCV 建议学习顺序

推荐路线：

1. cv::Mat 数据结构
2. 图像读取、保存、显示
3. 颜色空间转换：BGR、RGB、GRAY、HSV
4. 滤波：均值、高斯、中值
5. 二值化、形态学操作
6. 边缘检测和轮廓提取
7. 相机模型和相机标定
8. 特征点：ORB、SIFT、FAST
9. 特征匹配、RANSAC、PnP
10. ROS 中使用 cv_bridge

一句话总结：OpenCV 是机器人视觉感知的基础工具，先学图像数据结构，再学视觉算法。

---

四、PCL：点云处理核心库

4.1 PCL 是什么？

PCL，全称 Point Cloud Library，是点云处理领域最常用的 C++ 开源库之一。

如果机器人使用：

• 机械式激光雷达
• 固态激光雷达
• RGB-D 相机
• 双目深度点云
• 三维重建地图

那么大概率会用到 PCL。

PCL 能做：

• 点云读写
• 点云滤波
• 点云下采样
• 法向量估计
• KD-Tree 搜索
• 平面/圆柱/模型分割
• 欧式聚类
• ICP / NDT 点云配准
• 点云特征提取
• 点云可视化

4.2 常见点云类型

类型	含义	常见场景
pcl::PointXYZ	只有 xyz 坐标	普通三维点云
pcl::PointXYZI	xyz + intensity	激光雷达点云
pcl::PointXYZRGB	xyz + rgb	RGB-D 彩色点云
pcl::PointNormal	xyz + normal	法向量估计
pcl::PointCloud<T>	点云容器	存储一帧点云

定义一帧点云：

pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(
    new pcl::PointCloud<pcl::PointXYZ>
);

体素滤波示例：

pcl::VoxelGrid<pcl::PointXYZ> voxel;
voxel.setInputCloud(cloud);
voxel.setLeafSize(0.1f, 0.1f, 0.1f);
voxel.filter(*filtered_cloud);

4.3 PCL 在机器人中的典型用途

场景	PCL 作用
激光雷达预处理	去除无效点、裁剪范围、降采样
地面分割	RANSAC 平面拟合、区域分割
障碍物检测	欧式聚类、包围框估计
点云地图	拼接多帧点云、保存 PCD
激光 SLAM	特征提取、最近邻搜索、点面残差
点云配准	ICP、GICP、NDT
可视化调试	PCL Viewer、rviz 显示

4.4 PCL 学习难点

PCL 比 OpenCV 更难一些，原因有三个：

• 点云是三维数据，空间几何理解更难
• 点云规模大，一帧可能几万到几十万个点
• 算法经常依赖最近邻搜索、法向量、局部几何特征

新人常见困惑：

• PointCloud2 和 pcl::PointCloud 有什么区别？
• 为什么点云要下采样？
• ICP 为什么需要初值？
• NDT 和 ICP 有什么区别？
• 为什么激光 SLAM 里要找边缘点和平面点？
• KD-Tree 是干什么的？

4.5 PCL 建议学习顺序

推荐路线：

1. PCD 文件读取和保存
2. PointXYZ、PointXYZI、PointXYZRGB
3. 直通滤波、体素滤波、统计滤波
4. 点云坐标变换
5. KD-Tree 最近邻搜索
6. RANSAC 平面分割
7. 欧式聚类
8. ICP 点云配准
9. NDT 点云配准
10. ROS 中 sensor_msgs/PointCloud2 和 PCL 互转

一句话总结：PCL 是激光雷达和三维感知的基础工具，重点掌握滤波、分割、搜索、配准。

---

五、ROS/ROS2：把各种库连接成机器人系统

5.1 ROS 不是算法库，而是机器人中间件

ROS/ROS2 的作用不是替代 OpenCV、PCL、Eigen，而是把它们组织进一个完整系统。

一个机器人系统通常有多个节点：

相机驱动节点
激光雷达驱动节点
IMU 驱动节点
定位节点
建图节点
路径规划节点
控制节点
可视化节点

ROS/ROS2 提供：

• Topic 发布订阅
• Service 请求响应
• Action 长任务通信
• 参数服务器/参数系统
• launch 启动管理
• rosbag 数据录制和回放
• tf/tf2 坐标变换
• rviz 可视化

5.2 ROS 和其他库如何配合？

以相机节点为例：

ROS Image 消息
   ↓ cv_bridge
cv::Mat
   ↓ OpenCV 处理
检测结果 / 图像结果
   ↓
ROS Topic 发布

以激光雷达节点为例：

ROS PointCloud2 消息
   ↓ pcl_conversions
pcl::PointCloud<PointXYZI>
   ↓ PCL 滤波/分割/配准
处理后的点云 / 位姿
   ↓
ROS Topic 发布

以定位算法为例：

IMU + LiDAR + Odom
   ↓
Eigen 表示状态和位姿
   ↓
PCL 处理点云
   ↓
Ceres/g2o/EKF 做估计
   ↓
发布 odometry 和 tf

5.3 新人学习 ROS 的重点

不要一开始就纠结“ROS1 还是 ROS2”，先理解机器人系统的基本通信思想。

建议学习顺序：

1. 工作空间和功能包结构
2. Topic 发布和订阅
3. Service 和 Action
4. 常见消息类型：Image、PointCloud2、Imu、Odometry
5. launch 文件
6. rviz 可视化
7. rosbag 录制和回放
8. tf/tf2 坐标变换
9. OpenCV 与 ROS 集成
10. PCL 与 ROS 集成

一句话总结：ROS/ROS2 是机器人系统的胶水，负责把传感器、算法和执行模块连接起来。

---

六、Ceres 和 g2o：SLAM 里的优化工具

6.1 为什么机器人需要优化？

机器人中的很多问题本质上是优化问题。

例如：

• 相机标定：找到最合适的内参和畸变参数
• 位姿估计：找到最符合观测的机器人位姿
• 视觉 SLAM：最小化重投影误差
• 激光 SLAM：最小化点到线、点到面的残差
• 后端优化：让整条轨迹和地图整体一致
• 外参标定：估计相机、雷达、IMU 之间的相对位姿

典型形式：

找到一组状态 x，使残差 r(x) 尽可能小

也就是：

minimize Σ ||r_i(x)||²

6.2 Ceres Solver

Ceres 是 Google 开源的非线性优化库，特点是接口友好，自动求导方便。

常见用途：

• Bundle Adjustment
• 相机标定
• 曲线拟合
• 位姿优化
• 传感器外参标定

Ceres 比较适合新人入门非线性优化，因为它的例子较多，文档相对清晰。

6.3 g2o

g2o 是图优化库，在经典 SLAM 项目中非常常见。

它适合表达：

• 顶点：待优化变量，例如位姿、地图点
• 边：约束，例如里程计约束、观测约束、回环约束

典型应用：

• 位姿图优化
• SLAM 后端
• ORB-SLAM 等项目中的优化模块

6.4 新人什么时候学优化库？

不建议刚入门就深挖 Ceres/g2o。更合理的顺序是：

1. 先掌握 Eigen 和坐标变换
2. 理解最小二乘问题
3. 理解残差、雅可比、鲁棒核
4. 看懂简单曲线拟合例子
5. 再看 SLAM 中的位姿优化和图优化

一句话总结：Ceres 和 g2o 是 SLAM、标定、状态估计中的优化工具，建议有数学和位姿基础后再深入。

---

七、Sophus：更专业的三维位姿表达

7.1 Sophus 解决什么问题？

机器人中经常需要表示三维位姿，也就是旋转和平移。

常见表达方式包括：

• 欧拉角
• 旋转矩阵
• 四元数
• 齐次变换矩阵
• SO(3)
• SE(3)

Sophus 是一个用于李群李代数计算的 C++ 库，常用于 SLAM、VIO、LIO 和非线性优化。

你可能会在代码里看到：

Sophus::SO3d R;
Sophus::SE3d T;

其中：

• SO3 表示三维旋转
• SE3 表示三维刚体变换，也就是旋转 + 平移

7.2 为什么不用普通欧拉角？

欧拉角直观，但在优化和连续更新中有问题：

• 存在万向节锁
• 插值不自然
• 旋转更新不适合直接加减
• 在优化中不如李代数扰动方便

SLAM 中常见的位姿更新形式是：

T_new = exp(δξ) * T_old

这里的 δξ 是李代数扰动，Sophus 就是处理这类问题的工具。

7.3 Sophus 建议学习顺序

推荐路线：

1. 先理解旋转矩阵和四元数
2. 理解 SO(3)、SE(3) 是什么
3. 理解指数映射和对数映射
4. 理解李代数扰动更新
5. 结合 Ceres/g2o 看位姿优化
6. 再看 VIO/LIO 项目中的 Sophus 使用

一句话总结：Sophus 不是新人第一天必须掌握的库，但想深入 SLAM，一定绕不开它。

---

八、其他常见机器人开源库

8.1 OctoMap

OctoMap 用于构建三维占据地图。

它把空间划分成八叉树结构，用概率表示某个空间是否被占据。

常见用途：

• 三维避障
• 无人机建图
• 移动机器人导航
• 环境占据建模

8.2 grid_map

grid_map 常用于二维或 2.5D 栅格地图表达。

适合表示：

• 高程地图
• 代价地图
• 地形可通行性
• 局部规划地图

8.3 nanoflann

nanoflann 是轻量级 KD-Tree 库，常用于最近邻搜索。

在 SLAM 和点云配准中，经常需要快速找到某个点附近的点：

给定当前点 p，在地图中找最近的 5 个点

这类操作如果暴力遍历会非常慢，需要 KD-Tree 加速。

8.4 ikd-Tree

ikd-Tree 是增量式 KD-Tree，在 FAST-LIO2 中非常关键。

传统 KD-Tree 适合静态数据，但 SLAM 地图会不断插入和删除点。ikd-Tree 支持增量更新，更适合实时激光 SLAM。

8.5 GTSAM

GTSAM 是因子图优化库，常用于多传感器融合和 SLAM 后端。

典型项目：

• LIO-SAM
• GPS/IMU/LiDAR 融合
• 因子图 SLAM

它的思想是把传感器约束建模成因子，再统一优化状态变量。

---

九、新人应该按什么顺序学？

9.1 第一阶段：C++、Linux、CMake、Eigen

先打基础：

• C++ 基础语法
• 指针、引用、类、模板
• Linux 命令行
• CMake 编译
• Git 基础
• 线性代数
• Eigen 矩阵和坐标变换

这一阶段的目标：

能看懂机器人 C++ 项目，能编译，能理解矩阵和位姿变换。

9.2 第二阶段：ROS/ROS2 基础

重点掌握：

• 工作空间
• package
• node
• topic
• service
• launch
• rviz
• rosbag
• tf/tf2

这一阶段的目标：

能写一个节点，订阅传感器数据，处理后再发布出去。

9.3 第三阶段：OpenCV 或 PCL 二选一深入

如果你偏视觉方向，优先学：

• OpenCV
• 相机模型
• 相机标定
• 特征点
• PnP
• 视觉里程计

如果你偏激光雷达方向，优先学：

• PCL
• 点云滤波
• 点云分割
• KD-Tree
• ICP/NDT
• 激光里程计

这一阶段的目标：

能独立处理一种主传感器数据：图像或点云。

9.4 第四阶段：SLAM 和优化

再往后学习：

• Ceres
• g2o
• Sophus
• GTSAM
• EKF/ESKF
• 因子图
• 视觉 SLAM
• 激光 SLAM
• LiDAR-IMU 融合

这一阶段的目标：

能看懂主流 SLAM 项目的整体框架和核心模块。

---

十、推荐练手项目

10.1 Eigen 坐标变换练习

任务：

• 定义几个三维点
• 定义一个旋转和平移
• 把点从雷达坐标系变换到机器人坐标系
• 再从机器人坐标系变换到世界坐标系
• 分别用矩阵和四元数实现

能学到：

• 坐标系变换
• 旋转矩阵
• 四元数
• 齐次变换

10.2 OpenCV 相机标定

任务：

• 采集棋盘格图片
• 检测角点
• 标定相机内参
• 计算重投影误差
• 保存标定参数

能学到：

• 相机模型
• 畸变参数
• 内参矩阵
• 标定流程

10.3 ROS 图像处理节点

任务：

• 订阅相机图像
• 使用 cv_bridge 转成 cv::Mat
• 做灰度化和边缘检测
• 发布处理后的图像
• 在 rviz 或 rqt_image_view 中查看

能学到：

• ROS 图像消息
• OpenCV 和 ROS 集成
• 图像处理节点结构

10.4 PCL 点云滤波与分割

任务：

• 读取一帧 .pcd 点云
• 使用体素滤波降采样
• 使用直通滤波裁剪范围
• 使用 RANSAC 分割地面
• 保存处理后的点云

能学到：

• 点云数据结构
• 点云滤波
• 平面分割
• PCD 文件读写

10.5 ROS 点云处理节点

任务：

• 订阅 sensor_msgs/PointCloud2
• 转成 pcl::PointCloud<pcl::PointXYZI>
• 做滤波处理
• 再转回 PointCloud2
• 发布到新话题
• 在 rviz 中显示

能学到：

• ROS 点云消息
• PCL 和 ROS 集成
• 激光雷达预处理流程

10.6 简单 ICP 配准实验

任务：

• 读取两帧点云
• 给第二帧点云一个初始位姿
• 使用 ICP 配准
• 输出变换矩阵
• 可视化配准前后效果

能学到：

• 点云配准思想
• 初值的重要性
• ICP 的收敛特点
• 点云地图拼接基础

---

十一、学习这些库时最容易踩的坑

11.1 只背 API，不理解数据结构

新人最常见的问题是会调用函数，但不知道数据是什么。

例如：

• cv::Mat 的通道顺序是什么？
• PointCloud2 的字段里有什么？
• Eigen::Quaterniond 的系数顺序是什么？
• 点云坐标是在雷达坐标系还是世界坐标系？

机器人开发里，数据结构比函数名更重要。

11.2 不重视坐标系

很多 bug 不是算法错，而是坐标系错。

常见问题：

• 左乘右乘搞反
• 外参方向写反
• T_body_lidar 和 T_lidar_body 混淆
• 世界坐标系和机体系混用
• 相机坐标系和图像坐标系混用

建议养成习惯：变量名写清楚坐标系。

例如：

p_lidar
p_body
p_world
T_world_body
T_body_lidar

不要只写：

p
T
R

11.3 不会用可视化工具调试

机器人开发一定要会可视化。

常用工具：

• rviz：看点云、轨迹、地图、tf
• rqt_graph：看节点和 topic 关系
• rqt_image_view：看图像话题
• pcl_viewer：看 PCD 点云
• OpenCV imshow：快速看图像处理结果

很多问题用肉眼一看就知道：

• 点云方向不对
• 坐标系飞了
• 图像畸变没去掉
• 地图重影
• 轨迹跳变

11.4 一开始就啃大型项目源码

新人很容易直接冲 ORB-SLAM、FAST-LIO、LIO-SAM，然后被复杂工程劝退。

更好的方式是：

先学小库 → 做小实验 → 理解数据流 → 再看大项目

例如看 FAST-LIO2 前，至少应该了解：

• PCL 点云数据结构
• Eigen 位姿变换
• IMU 基本模型
• KD-Tree 最近邻搜索
• ESKF 基本思想
• ROS topic 和 tf

这样看源码会轻松很多。

---

十二、面向 SLAM 方向的重点库组合

12.1 视觉 SLAM 常见组合

OpenCV + Eigen + Sophus + Ceres/g2o + ROS

重点能力：

• 图像特征提取
• 特征匹配
• PnP
• 三角化
• 重投影误差
• Bundle Adjustment
• 位姿图优化

典型项目：

• ORB-SLAM
• VINS-Mono
• VINS-Fusion

12.2 激光 SLAM 常见组合

PCL + Eigen + ROS + KD-Tree + Ceres/g2o/GTSAM

重点能力：

• 点云滤波
• 特征提取
• 最近邻搜索
• ICP/NDT
• 点线/点面残差
• 位姿估计
• 地图维护

典型项目：

• LOAM
• LeGO-LOAM
• LIO-SAM
• FAST-LIO
• FAST-LIO2

12.3 多传感器融合常见组合

Eigen + Sophus + Ceres/GTSAM + ROS + OpenCV/PCL

重点能力：

• 时间同步
• 外参标定
• IMU 预积分
• EKF/ESKF
• 因子图优化
• 多传感器残差建模

典型任务：

• LiDAR-IMU 融合
• Camera-IMU 融合
• LiDAR-Camera 融合
• GPS-IMU-LiDAR 融合

---

十三、推荐学习路线总结

如果你是机器人方向新人，可以按这个路线走：

C++ / Linux / CMake / Git
        ↓
Eigen：矩阵、向量、坐标变换
        ↓
ROS/ROS2：节点、话题、tf、rviz
        ↓
OpenCV 或 PCL：图像或点云处理
        ↓
小项目：图像节点 / 点云节点 / 标定 / 配准
        ↓
SLAM 基础：里程计、地图、状态估计
        ↓
Sophus / Ceres / g2o / GTSAM
        ↓
阅读 ORB-SLAM、VINS、LIO-SAM、FAST-LIO 等项目

按照方向也可以这样选：

方向	优先学习
视觉 SLAM	OpenCV、Eigen、Sophus、g2o/Ceres
激光 SLAM	PCL、Eigen、KD-Tree、ROS
多传感器融合	Eigen、Sophus、GTSAM、Ceres、ROS
自动驾驶感知	OpenCV、PCL、ROS、深度学习部署
移动机器人导航	ROS/ROS2、tf、costmap、OctoMap、PCL

---

十四、总结

PCL、Eigen、OpenCV 这些库不是孤立知识点，而是机器人系统里的基础能力模块。

可以简单记成：

• Eigen：负责数学计算和坐标变换
• OpenCV：负责图像处理和视觉感知
• PCL：负责点云处理和三维感知
• ROS/ROS2：负责系统通信和模块集成
• Ceres/g2o/GTSAM：负责优化和后端估计
• Sophus：负责更专业的位姿表达和李群计算
• OctoMap/grid_map：负责地图表达
• KD-Tree/ikd-Tree：负责高效空间搜索

新人学习时最重要的是抓住四件事：

数据结构
坐标变换
传感器处理
系统通信

只要把这四件事理解清楚，再去学具体 API、看大型 SLAM 项目，就会顺畅很多。

不要试图一次学完所有库。最好的方式是围绕一个小项目，一边写代码，一边补知识：

• 想学视觉：做 ROS + OpenCV 图像节点
• 想学激光：做 ROS + PCL 点云节点
• 想学 SLAM：先学 Eigen 坐标变换，再看配准和优化
• 想看 FAST-LIO：先补 PCL、Eigen、IMU、ESKF、KD-Tree

机器人开发的学习曲线确实比较陡，但这些通用开源库就是最稳的台阶。一步一步把它们踩实，后面无论做 SLAM、导航、感知还是多传感器融合，都会轻松很多。