SLAM 轨迹评估工具EVO

一 EVO环境安装

1.1 二进制安装

pip install evo --upgrade --no-binary evo

1.2 源码安装

推荐使用源代码安装方式。，首先安装依赖项： 
sudo pip install --upgrade pip
sudo pip install --user --upgrade
 
sudo apt-get install libfreetype6-dev gfortran
pip install matplotlib
pip install scipy

安装evo:  

git clone -b python2  https://github.com/MichaelGrupp/evo.git
cd evo
pip install --editable . --upgrade --no-binary evo

出现以下情况则表示安装成功了

二 使用方法

EVO提供了绝对误差和相对误差评估命令和图形分析工具(暂且这样称呼它)：
   evo_ape - absolute pose error （绝对误差） 
   evo_rpe - relative pose error （相对误差）   
   Tools:
   evo_traj - tool for analyzing, plotting or exporting one or more trajectories（用于分析一个或者多个曲线）
   evo_res - tool for comparing one or multiple result files from evo_ape or evo_rpe
   evo_fig - (experimental) tool for re-opening serialized plots (saved with --serialize_plot)
   evo_config - tool for global settings and config file manipulation  
  这里需要注意一下 EUROC数据、TUM数据集、KITTI数据集使用的四元数顺序是不一样的，因此在使用命令的时候后续需要加参数予以区分，我们在自己保存算法输出的轨迹文件的时候应当注意这一点。 在evo的源码中 evo/test/data 目录下面有用于测试的数据集 

2.1 TUM数据集上使用

2.1.1 计算轨迹的绝对误差（evo_ape）

评估算法输出的曲线和真实值之间的绝对误差（absolute pose error）

mkdir results
evo_ape tum fr2_desk_groundtruth.txt  fr2_desk_ORB.txt -va --plot --plot_mode xz --save_results results/ORB_fr2_desk.zip

执行命令以后，在终端中打印出RMSE等误差值

若出现错误： [ERROR] evo module evo.main_ape crashed - no logfile written (disabled) 则是由于matplotlib 的问题，需要升级一下 matplotlib

pip install matplotlib --upgrade

2.1.2 绘制多条曲线（evo_traj）

在一张图中绘制两个算法的输出曲线（rgbdslam-v2 和 orb-slam）,其中 --ref的参数为指定的真是轨迹值。

evo_traj tum freiburg1_xyz-ORB_kf_mono.txt freiburg1_xyz-rgbdslam.txt  --ref=freiburg1_xyz-groundtruth.txt -va --plot --plot_mode xy

在图片的界面中可以修改曲线的颜色等参数。  

2.1.3 分析多条曲线（evo_res）

假设现在我使用2.1.1中命令生成了在fr1_xyz 和 fr2_desk两个序列上的Zip文件（这两个zip文件都在result目录下面）。此时我们使用 evo_res 命令分析算法在这两个序列上的性能

 evo_res results/*.zip -p --save_table results/table.csv

这表示分析 results 目录下面所有的zip文件。

2.2 KITTI数据集上使用

2.2.1 计算轨迹的绝对误差

这里会生成一个名为xxx.zi压缩文件，这个在绘制多条曲线会用到。

mkdir results
evo_ape kitti KITTI_00_gt.txt KITTI_00_ORB.txt -va --plot --plot_mode xz --save_results results/KITTI_00_ORB.zip

2.2.2 绘制多条曲线

将待绘制的曲线文件放置于同一个文件夹test中，

cd test/data
evo_traj kitti KITTI_00_ORB.txt KITTI_00_SPTAM.txt --ref=KITTI_00_gt.txt -p --plot_mode=xz

其中，KITTI_00_ORB.txt 表示第1个算法在序列上运行的文件，KITTI_00_SPTAM.txt* 表示第2个算法在序列上运行的文件，–ref=KITTI_00_gt.txt表示指定真实的groundtruth轨迹文件，-p --plot_mode=xz 则命令参数，在XOZ平面绘制轨迹。

2.2.3 分析多条曲线

evo_res results/*.zip -p --save_table results/table.csv

2.3 EUROC数据集上使用

2.3.1 计算轨迹的绝对误差

评估算法输出的曲线和真实值之间的绝对误差（absolute pose error）

evo_ape euroc V102_groundtruth.csv V102.txt -va --plot --plot_mode xy --save_results results/EUROC.zip

其余两个命令与前面的操作一样，只需要将命令中的 euroc 和kitti替换成tum即可。

三 SLAM输出的轨迹保存成TUM数据格式

TUM数据格式： timestamp tx ty tz qx qy qz qw
例如：1317354879.544785976 0.33350 -0.00480 -0.07558-0.49915 0.50408 -0.49682 0.49992

void SaveEuRocTraj(double timestamp, const Eigen::Matrix<float, 3,4> &pose_)
{
    ofstream foutC(traj_path_, ios::app);
    foutC.setf(ios::fixed, ios::floatfield);
    foutC.precision(9);
    foutC << timestamp << " ";
    foutC.precision(5);

    Eigen::Matrix<float, 3, 3> R = pose_.block<3,3>(0,0);
    Eigen::Vector3f t = pose_.col(3);

    Eigen::Quaternionf q(R);

    float x = t(0);
    float y = t(1);
    float z = t(2);
    float qx = q.x();
    float qy = q.y();
    float qz = q.z();
    float qw = q.w();

    foutC << x <<" " << y << " " << z << "" << qx << " " << qy << " " << qz << " " << qw << std::endl;
}

参考资料

官方教程：https://github.com/MichaelGrupp/evo https://blog.csdn.net/A_L_A_N/article/details/88708979 https://blog.csdn.net/qq_37568167/article/details/104961523
如果文章对你有所帮助，请大家帮忙点个赞。O(∩_∩)O 欢迎大家在评论区交流讨论