KITTI数据集如何跑出和ORBSLAM2或者DynaSLAM一样的结果

运行

最好选择原版的orbslam2源码:
orbslam2源码链接

最关键就一句话,一定要用灰度图跑,直接使用orbslam2的源码就可以

不要使用彩色图

虽然代码逻辑上用彩色图最后也转化为了灰度图,但是,Kitti数据集估计灰度图做了一定处理,所以,不能用彩色图跑,要不然结果差异很大

评测

如果只测试ATE

那么使用EVO工具的evo_ape命令就行,然后使用SE(3)对齐,即加一个“-a”,得到的就是原效果。

如果想得到和原论文一样的指标,建议使用
kitti评估工具
使用的时候同样注意–align 6dof

效果

这是论文中的结果:
在这里插入图片描述
这是我跑出来的结果:

Sequence: 0
Translational error (%):  0.6991026226893858
Rotational error (deg/100m):  0.2523974630223109
ATE (m):  1.2984646007317502
RPE (m):  0.018502443138574583
RPE (deg):  0.05736175303528678
Sequence: 1
Translational error (%):  1.514947701762084
Rotational error (deg/100m):  0.18027862843369094
ATE (m):  11.117947319921196
RPE (m):  0.04968054045036293
RPE (deg):  0.031507571575900985
Sequence: 2
Translational error (%):  0.7525993537725468
Rotational error (deg/100m):  0.2269945253414965
ATE (m):  5.130630778738071
RPE (m):  0.021849862176282576
RPE (deg):  0.04758866147042561
Sequence: 3
Translational error (%):  0.6899142961329343
Rotational error (deg/100m):  0.1673791037265687
ATE (m):  0.5803183212304138
RPE (m):  0.014294846969853659
RPE (deg):  0.03961556060219599
Sequence: 4
Translational error (%):  0.4300742392029325
Rotational error (deg/100m):  0.10515225483002512
ATE (m):  0.16101855759793451
RPE (m):  0.016565951455097126
RPE (deg):  0.03158180202868769
Sequence: 5
Translational error (%):  0.3905637158475052
Rotational error (deg/100m):  0.15604136832831123
ATE (m):  0.7649068203682212
RPE (m):  0.011983678542626379
RPE (deg):  0.039204634606847616
Sequence: 6
Translational error (%):  0.5203046660978126
Rotational error (deg/100m):  0.1439960936885502
ATE (m):  0.7889731979084904
RPE (m):  0.013310449181431165
RPE (deg):  0.0315866848256745
Sequence: 7
Translational error (%):  0.5571768718251755
Rotational error (deg/100m):  0.3319881218290934
ATE (m):  0.5785849329823173
RPE (m):  0.012143307940867536
RPE (deg):  0.03552662552021929
Sequence: 8
Translational error (%):  1.041184032644816
Rotational error (deg/100m):  0.32117829134755604
ATE (m):  3.5162713516630433
RPE (m):  0.023687762088556802
RPE (deg):  0.04179357212128304
Sequence: 9
Translational error (%):  0.8644970446120377
Rotational error (deg/100m):  0.24360228090791816
ATE (m):  3.059875461079776
RPE (m):  0.017498939649824227
RPE (deg):  0.042781380143976186
Sequence: 10
Translational error (%):  0.6257678488722856
Rotational error (deg/100m):  0.29942067015497
ATE (m):  1.1340155005976165
RPE (m):  0.01393528095606781
RPE (deg):  0.04694607736522295

和ORBSLAM2原论文的结果就已经差不多了。

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
ORB-SLAM3是一种在计算机视觉领域中广泛应用的视觉里程计算法,它利用ORB特征点提取与匹配、三角化和位姿估计等算法来进行实时的SLAM(同时定位与地图构建)。Kitti数据集是一个用于自动驾驶研究的包含图像、点云和激光雷达数据的数据集。 为了在ORB-SLAM3中运行Kitti数据集,需要进行一些步骤。首先,需要下载Kitti数据集的图像序列和对应的地面真值位姿数据。然后,需要安装ORB-SLAM3的依赖库和编译源代码。 在运行时,首先需要将Kitti数据集的图像序列输入到ORB-SLAM3中。ORB-SLAM3将使用ORB特征点提取与匹配算法来对每个图像进行特征提取,并将其与之前的图像进行匹配来计算相机的运动。 接下来,ORB-SLAM3将使用三角化算法来计算相机的位姿。通过观察多个相机视角下的特征点,并使用三角化算法,可以将它们的三维位置恢复来,从而构建场景的稀疏地图。 最后,ORB-SLAM3将利用位姿估计算法来不断迭代优化相机的位姿估计,以提高定位的精度。同时,ORB-SLAM3还可以将所有观测到的特征点和地图点存储在一张稠密地图中,以便后续的地图构建与利用。 通过在ORB-SLAM3中运行Kitti数据集,可以评估SLAM算法在自动驾驶场景下的定位性能。此外,还可以通过可视化地图和轨迹来分析ORB-SLAM3的定位结果,以及对应的相机运动和场景结构信息。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

玛卡巴卡_qin

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值