SLAM精度测评-----TUM数据集RGBD-Benchmark使用（ate/rpe）

TUM数据集RGBD-Benchmark工具使用

官方文档：https://vision.in.tum.de/data/datasets/rgbd-dataset/tools#evaluation

标准库测试工具：https://svncvpr.in.tum.de/cvpr-ros-pkg/trunk/rgbd_benchmark/rgbd_benchmark_tools/src/rgbd_benchmark_tools/

ＡＴＥ：https://vision.in.tum.de/data/datasets/rgbd-dataset/tools#absolute_trajectory_error_ate

ＲＰＥ：https://vision.in.tum.de/data/datasets/rgbd-dataset/tools#relative_pose_error_rpe

Evaluation of the RGB-D SLAM system

官方文档：http://wiki.ros.org/rgbdslam_electric/evaluation

1.first step:通过associate.py将带有timestamp的文件关联用于生成rgb和depth

python evaluate_ate.py groundtruth.txt CameraTrajectory.txt

2.评估标准

将运行完rgbd_tum 后生成CameraTrajectory.txt和KeyframeTraajectory.txt

（1）ATE 绝对轨迹误差—evaluate_ate.py（适用于评估视觉SLAM系统）（输出RMSE/cm误差）

实例：sun@sun:~/catkin/ORB_SLAM2-master/Data/rgbd_dataset_freiburg2_desk$

python evaluate_ate.py rgbd_dataset_freiburg2_desk-groundtruth.txt  CameraTrajectory.txt  --plot fr2_desk_result.png

输出真实轨迹和预测轨迹以及误差，输出所有误差，包含平均值，中值。

python evaluate_ate.py groundtruth.txt CameraTrajectory.txt --verbose

（2）RPE 相对位姿误差-evaluate_rpe.py

适用于评估视觉里程计的漂移量

默认情况下，脚本计算估计轨迹文件中所有时间戳对之间的错误。由于估计轨迹中的时间戳对的数量是轨迹长度的二次方，因此可以将此集的样本缩减为一个固定的数字（–max_对）。或者，可以选择使用固定的窗口大小（–固定的_delta）。在这种情况下，根据窗口大小（–delta）和单位（–delta_单位），估计轨迹中的每个姿势都与稍后的姿势关联。这种评估技术对估计漂移很有用。