CMake 3.28 实战：5步构建SLAM项目库，从Hello到Eigen集成

CMake 3.28 实战：5步构建SLAM项目库，从Hello到Eigen集成

在机器人感知与自主导航领域，SLAM（Simultaneous Localization and Mapping）技术的工程化实现离不开高效的构建工具。本文将演示如何用CMake 3.28构建一个包含自定义库和Eigen矩阵运算库的完整SLAM工程，不同于零散的Hello World示例，我们聚焦于实际项目中的关键需求：

1. 模块化设计：将核心算法封装为可复用的静态/动态库
2. 第三方集成：规范引入Eigen等数学库
3. 工程实践：创建符合现代CMake标准的项目结构
4. 性能考量：对比不同链接方式的优劣
5. 跨平台兼容：确保Linux/Windows/macOS的一致性

1. 项目架构设计

典型的SLAM工程需要分层管理代码，建议采用以下目录结构（示例中<>表示目录）：

slam_project/ ├── CMakeLists.txt # 根配置文件 ├── include/ # 公共头文件 │ └── slam/ # 项目专属头文件 ├── src/ # 主程序源码 ├── libs/ # 子模块库 │ ├── core/ # SLAM核心算法 │ │ ├── CMakeLists.txt │ │ ├── include/ │ │ └── src/ │ └── utils/ # 工具函数库 └── thirdparty/ # 第三方依赖 └── eigen/ # Eigen头文件库

提示：实际项目中建议使用git submodule管理第三方库，而非直接拷贝源码

2. 基础CMake配置

从最简单的可执行文件开始，逐步扩展为完整工程。创建顶层CMakeLists.txt：

cmake_minimum_required(VERSION 3.28) project(SLAM_Project LANGUAGES CXX) # 全局编译选项 set(CMAKE_CXX_STANDARD 17) set(CMAKE_CXX_STANDARD_REQUIRED ON) option(BUILD_SHARED_LIBS "Build shared libraries" ON) # 安装路径配置 include(GNUInstallDirs) set(CMAKE_ARCHIVE_OUTPUT_DIRECTORY ${CMAKE_BINARY_DIR}/lib) set(CMAKE_LIBRARY_OUTPUT_DIRECTORY ${CMAKE_BINARY_DIR}/lib) set(CMAKE_RUNTIME_OUTPUT_DIRECTORY ${CMAKE_BINARY_DIR}/bin) # 添加子目录 add_subdirectory(libs/core) add_subdirectory(src)

关键参数说明：

3. 创建核心算法库

在libs/core/CMakeLists.txt中定义算法库：

# 收集所有源文件 file(GLOB_RECURSE SOURCES "src/*.cpp") file(GLOB_RECURSE HEADERS "include/*.hpp") # 创建库目标 add_library(slam_core ${SOURCES} ${HEADERS}) # 头文件可见性设置 target_include_directories(slam_core PUBLIC $<BUILD_INTERFACE:${CMAKE_CURRENT_SOURCE_DIR}/include> $<INSTALL_INTERFACE:include> PRIVATE ${CMAKE_CURRENT_SOURCE_DIR}/src ) # 编译特性配置 target_compile_features(slam_core PUBLIC cxx_std_17) target_compile_options(slam_core PRIVATE -Wall -Wextra) # 安装规则 install(TARGETS slam_core EXPORT slam_core-targets ARCHIVE DESTINATION ${CMAKE_INSTALL_LIBDIR} LIBRARY DESTINATION ${CMAKE_INSTALL_LIBDIR} RUNTIME DESTINATION ${CMAKE_INSTALL_BINDIR} ) install(DIRECTORY include/ DESTINATION include)

4. Eigen集成实战

Eigen是SLAM中常用的线性代数库，采用纯头文件实现。集成步骤：

1. 查找包：

find_package(Eigen3 3.4 REQUIRED NO_MODULE) if(NOT Eigen3_FOUND) message(FATAL_ERROR "Eigen3 not found, please install with: sudo apt-get install libeigen3-dev") endif()

2. 创建测试程序（示例eigen_demo.cpp）：

#include <iostream> #include <Eigen/Dense> int main() { Eigen::Matrix3d R = Eigen::Matrix3d::Identity(); Eigen::Vector3d v(1.0, 2.0, 3.0); std::cout << "Rotation matrix:\n" << R << "\n" << "Transformed vector:\n" << R * v << std::endl; return 0; }

3. CMake配置：

add_executable(eigen_demo eigen_demo.cpp) target_link_libraries(eigen_demo PRIVATE Eigen3::Eigen slam_core)

5. 高级技巧与调试

5.1 静态库与动态库对比

特性对比表：

切换构建类型：

# 构建静态库 cmake -DBUILD_SHARED_LIBS=OFF .. # 构建动态库（默认） cmake -DBUILD_SHARED_LIBS=ON ..

5.2 调试支持

启用调试符号和优化级别：

if(CMAKE_BUILD_TYPE STREQUAL "Debug") target_compile_options(slam_core PRIVATE -g3 -O0) target_compile_definitions(slam_core PRIVATE DEBUG=1) else() target_compile_options(slam_core PRIVATE -O3 -march=native) endif()

5.3 跨平台处理

处理不同平台的路径差异：

if(WIN32) target_compile_definitions(slam_core PRIVATE OS_WINDOWS) elseif(UNIX AND NOT APPLE) target_compile_definitions(slam_core PRIVATE OS_LINUX) elseif(APPLE) target_compile_definitions(slam_core PRIVATE OS_MACOS) endif()

6. 完整构建流程

1. 配置阶段：

mkdir -p build && cd build cmake .. -DCMAKE_BUILD_TYPE=Release

2. 编译阶段：

make -j$(nproc) # Linux/macOS # 或使用cmake --build . --config Release --target ALL_BUILD -j 8 # Windows

3. 安装阶段（可选）：

sudo cmake --install . --prefix /usr/local

4. 测试运行：

./bin/eigen_demo # 运行示例程序

7. 常见问题解决

Q1：找不到Eigen头文件？

# 明确指定Eigen路径 cmake .. -DEigen3_DIR=/path/to/eigen/share/eigen3/cmake

Q2：符号冲突问题？

# 在库的CMakeLists中添加可见性控制 set_target_properties(slam_core PROPERTIES CXX_VISIBILITY_PRESET hidden)

Q3：如何生成编译数据库？

cmake -DCMAKE_EXPORT_COMPILE_COMMANDS=ON .. # 生成compile_commands.json供clangd等工具使用

在实际SLAM项目开发中，我们通常会遇到需要同时处理多个传感器数据流的情况。例如下面这个简化的多线程处理示例：

// sensor_fusion.cpp #include "slam_core/sensor_fusion.hpp" #include <Eigen/Core> #include <thread> void processLidarData(const Eigen::MatrixXd& scan) { // 点云处理逻辑 } void processImageData(const cv::Mat& image) { // 视觉特征提取 } int main() { Eigen::MatrixXd lidar_scan = loadLidarData(); cv::Mat camera_image = loadCameraData(); std::thread t1(processLidarData, std::ref(lidar_scan)); std::thread t2(processImageData, std::ref(camera_image)); t1.join(); t2.join(); return 0; }

对应的CMake配置需要添加OpenCV依赖：

find_package(OpenCV REQUIRED) target_link_libraries(sensor_fusion PRIVATE OpenCV::OpenCV Eigen3::Eigen)