Slam误差评估

最新推荐文章于 2024-05-12 08:08:22 发布
最新推荐文章于 2024-05-12 08:08:22 发布
阅读量1.9k 收藏 27
点赞数 4
文章标签： 自动驾驶 计算机视觉 人工智能
原文链接：https://blog.csdn.net/weixin_47074246/article/details/109134740?spm=1001.2101.3001.6650.1&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-1.no_search_link&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefaul
版权

单目下运行ORB-SLAM2并使用evo工具评估TUM/KITTI/EuRoC数据集

1 算法评价指标

当评估一个SLAM/算法的表现时，可从时耗、复杂度、精度多个角度切入。其中对精度的评价是可以使用两个精度指标ATE和RPE。
这两个evaluation metrics最早是在TUM数据集benchmark中定义的，应用非常广泛。

定义一下公式标注：

  • 算法估计位姿：

（1）系统性能评估-绝对轨迹误差(ATE)

**绝对轨迹误差（absolute trajectory error）**直接计算相机位姿的真实值与SLAM系统的估计值之间的差。
程序首先根据位姿的时间戳将真实值和估计值进行对齐， 然后计算每对位姿之间的差值， 并最终以图表的形式输出， 该标准非常适合于评估视觉 SLAM 系统的性能。

绝对轨迹误差是估计位姿和真实位姿的直接差值，可以非常直观地反应算法精度和轨迹全局一致性。
估计位姿和groundtruth通常不在同一坐标系中，因此我们需要先将两者对其尺度统一。

  • 对于双目SLAM和RGB-D SLAM：

通过最小二乘法计算一个从估计位姿到真实位姿的转换矩阵

  • 对于单目SLAM：

具有尺度不确定性，我们需要计算一个从估计位姿到真实位姿的相似转换矩阵

也可以使用平均值、中位数等来反应ATE亦可。

（2）系统漂移评估-相对轨迹误差(RPE)

**相对位姿误差（relative pose error）**用于计算相同两个时间戳上的位姿变化量的差， 同样， 在用时间戳对齐之后， 真实位姿和估计位姿均每隔一段相同时间计算位姿的变化量， 然后对该变化量做差， 以获得相对位姿误差， 该标准适合于估计系统的漂移。

相对位姿误差主要描述的是相隔固定时间差

除了RMSE，还可以直接使用平均值、甚至中位数来描述相对误差情况。

需要注意的是，RPE包含了两部分的误差，分别是旋转误差和平移误差，通常使用平移误差进行评价已经足够，但是如果需要，旋转角的误差也可以使用相同的方法进行统计。

实际情况中，我们发现对

这样的计算复杂度非常高，很耗时间，因此TUM在自己给定的工具中，通过计算固定数量的RPE样本计算一个估计值作为最终结果。

综上，我们需要注意的是，RPE误差包含了translation和rotation两部分的误差，而ATE只包含translation的误差，二者具有强烈的相关性，却也不尽相同。我们仍需结合实际，选择合适的指标进行算法评价。

（3）精度统计量-均方根误差（RMSE）

均方根误差为回归评价指标。衡量观测值与真实值之间的偏差。

常用来作为机器学习模型预测结果衡量的标准。

在这里插入图片描述

2 安装依赖项

（1）Numpy安装

$ sudo apt-get update
$ sudo apt-get install python-numpy
（2）SciPy安装 

$ sudo apt-get install python-scipy

（3）matplotlib安装

$ sudo apt-get install python-matplotlib

3 evo安装

官网地址https://github.com/MichaelGrupp/evo

（1）pip安装

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

或者

（2）源码安装

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

（3）测试

$ evo_ape -h

在这里插入图片描述

  • 运行example
$ cd evo/test/data
$ evo_traj kitti KITTI_00_ORB.txt KITTI_00_SPTAM.txt --ref=KITTI_00_gt.txt -p --plot_mode=xz

在这里插入图片描述
在这里插入图片描述

（4）报错处理

[ERROR] Unhandled error in evo.main_traj
  • 末尾说明是matplotlib版本冲突报错
ContextualVersionConflict: (matplotlib 1.5.1 (/usr/lib/python2.7/dist-packages), Requirement.parse('matplotlib>=1.5.3'), set(['seaborn']))

解决办法

$ pip install matplotlib --upgrade --user

若下载超时

$pip --default-timeout=100 install matplotlib --upgrade --user
  • 末尾说明是numpy版本需要更新
Please upgrade numpy to >= 1.12.0 to use this pandas version

解决办法

$ pip install numpy --upgrade --user

若下载超时

pip --default-timeout=100 install numpy --upgrade --user

  • 评估指标
    evo_ape - absolute pose error 绝对位姿误差
    evo_rpe - relative pose error 相对位姿误差

  • 工具
    evo_traj-用于分析，绘制或导出一个或多个轨迹的工具
    evo_res-用于比较evo_ape或evo_rpe中的一个或多个结果文件的工具
    evo_fig-用于重新打开序列化图的（实验性）工具（使用--serialize_plot保存）
    evo_config-用于全局设置和配置文件操作的工具

其他功能参考：https://github.com/MichaelGrupp/evo/wiki

（1）轨迹可视化

evo_traj
positional arguments:
{kitti,tum,euroc,bag}
绘制轨迹，则增加可选参数 -p 或 --plot

  • 单个轨迹绘制

如：

evo_traj kitti KITTI_00_ORB.txt -p 

 
 

 
 
  • 1

在这里插入图片描述

如EuRoc数据集，需要将.csv文件形式的groundtruth转换为TUM形式的轨迹文件。

evo_traj euroc V102_groundtruth.csv --save_as_tum

evo_traj tum V102_groundtruth.tum -p 


在这里插入图片描述
 

 
 
  • 多个轨迹绘制
 

evo_traj kitti KITTI_00_ORB.txt KITTI_00_SPTAM.txt --ref=KITTI_00_gt.txt -p --plot_mode=xz


在这里插入图片描述通过--ref参数指定参考轨迹，并增加参数-a（或--align）进行对齐（旋转与平移）
 

此外，单目相机会存在尺度的不确定性，使用-s（或 --correct_scale）参数进行Sim(3)上的对齐（旋转、平移与尺度缩放）
 

（2）轨迹评估
 

  
  
  •  
    evo_ape：计算绝对位姿误差(absolute pose error)，用于整体评估整条轨迹的全局一致性
     
  •  
    evo_rpe：计算相对位姿误差(relative pose error)，用于评价轨迹局部的准确性。
     
 

两个指令也支持evo_traj的可选参数，轨迹对齐-a与尺度缩放-s
 

1）计算绝对位姿误差
 

大多数中论文的指标为测量绝对误差
 

evo_ape kitti KITTI_00_ORB.txt KITTI_00_gt.txt -p --plot_mode=xz -a -s


显示轨迹误差结果
 在这里插入图片描述增加可选参数-p，可以绘制误差相关曲线
 在这里插入图片描述
 在这里插入图片描述
 在进行评估时，若经过了缩放，在命令行中应将真实轨迹（参考轨迹）放在估计轨迹（计算轨迹）前方，避免在缩放时参考轨迹错误而造成误差被错误缩放。
 

2）计算相对位姿误差
 

evo_rpe kitti KITTI_00_ORB.txt KITTI_00_gt.txt -p --plot_mode=xyz -a -s -v --save_results /home/chan/Results/rpe.zip


在这里插入图片描述
 在这里插入图片描述在这里插入图片描述
 

（3）结果比较
 

cd ~/Results
evo_res rpe.zip -p --save_table table.csv
process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NzA3NDI0Ng==,size_16,color_FFFFFF,t_70#pic_center" alt="在这里插入图片描述">
 在这里插入图片描述 

（4）格式转换
 

Evo支持多种数据集的轨迹格式（TUM、KITTI、EuRoC MAV、ROS的bag）和数据格式之间进行相互转换。
 

"把EuRoc的数据格式转化成TUM数据格式"
evo_traj euroc data.csv --save_as_tum

"TUM数据转换成kitti格式"
evo_traj tum traj_1.txt  --save_as_kitti

" 把TUM数据格式转化成rosbag"
evo_traj tum traj_1.txt --save_as_bag


在这里插入图片描述
 

（5）配置更改
 

"查看配置"
evo_config show

"修改配置"
env_config set ***
plot_seaborn_style whitegrid //修改背景栅格　默认 darkgrid
plot_seaborn_palette bright　//修改线条颜色　bright、deep6、colorblind、pastel、dark、muted 默认deep6
plot_linewidth 1.5　//修改线宽
plot_reference_color // 默认black 


在这里插入图片描述
 

（6）时间戳对齐
 

如果系统采用了IMU进行测量，还要注意时间戳对齐的问题
 参考：使用 evo 工具评测 VI ORB SLAM2 在 EuRoC 上的结果
 

5 运行ORB-SLAM2并评估数据集
 

安装和编译ORB-SLAM2参考：https://blog.csdn.net/weixin_47074246/article/details/108690625
 

$ cd ORB_SLAM2
$ chmod +x build.sh
$ ./build.sh

（1）评估TUM数据集
 

下载官网：http://vision.in.tum.de/data/datasets/rgbd-dataset/download
 

TUM为RGB-D数据集，下载后进行解压。
 

命令
 

./Examples/Monocular/mono_tum Vocabulary/ORBvoc.txt Examples/Monocular/TUMX.yaml PATH_TO_SEQUENCE_FOLDER

         
         

         
         
  • 1

更改TUMX.yaml为TUM1.yaml,TUM2.yaml,TUM3.yaml，分别对应数据集freiburg1, freiburg2 and freiburg3 序列. PATH_TO_SEQUENCE_FOLDER为下载数据集的解压目录。

例：rgbd_dataset_freiburg1_desk

  • 运行
    在这里插入图片描述
  • 复制轨迹和groundtruth文件
cd ORB_SLAM2
mkdir results
cp KeyFrameTrajectory.txt ./results/TUM/freiburg1_desk/1/freiburg1_desk_Trajectory.txt 

cd rgbd_dataset_freiburg1_desk
cp groundtruth.txt  ~/ORB_SLAM2/results/TUM//freiburg1_desk/1/freiburg1_desk_groundtruth.txt

 
 

 
 
  • 1
  • 2
  • 绘制轨迹
cd ~/ORB_SLAM2/results/freiburg1_desk
evo_traj tum freiburg1_desk_Trajectory.txt --ref=freiburg1_desk_groundtruth.txt  -p --plot -s --correct_scale -a --align

 
 

 
 
  • 1
  • 2

保存为freiburg1_desk_trajectories.png freiburg1_desk_xyzview.png freiburg1_desk_rpyview.png

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

  • 评估绝对位姿误差
cd ~/ORB_SLAM2/results/freiburg1_desk
evo_ape tum freiburg1_desk_groundtruth.txt freiburg1_desk_Trajectory.txt -p --plot -s --correct_scale -a --align  -v --save_results ~/ORB_SLAM2/results/freiburg1_desk/freiburg1_desk_ape.zip

 
 

 
 
  • 1
  • 2

在这里插入图片描述

保存为freiburg1_desk_ape.png freiburg1_desk_apemap.png

在这里插入图片描述
在这里插入图片描述

  • 评估相对位姿误差
cd ~/ORB_SLAM2/results/TUM/freiburg1_desk
evo_rpe tum freiburg1_desk_groundtruth.txt freiburg1_desk_Trajectory.txt -p -a -s  -v --save_results ~/ORB_SLAM2/results/freiburg1_desk/freiburg1_desk_rpe.zip

 
 

 
 
  • 1
  • 2

在这里插入图片描述

保存为freiburg1_desk_rpe.png freiburg1_desk_rpemap.png

在这里插入图片描述
在这里插入图片描述

  • 输出ape结果，以便进行比较
cd ~/ORB_SLAM2/results/TUM/freiburg1_desk
evo_res freiburg1_desk_ape.zip  -p --save_table freiburg1_desk_apetable.csv

 
 

 
 
  • 1
  • 2

保存为freiburg1_desk_statistics.png freiburg1_desk_histogram.png freiburg1_desk_boxplot.png freiburg1_desk_violin_histogram.png

在这里插入图片描述在这里插入图片描述在这里插入图片描述
在这里插入图片描述

其中RMSE=0.0148187

（2）评估KITTI数据集

下载官网：http://www.cvlibs.net/datasets/kitti/eval_odometry.php

下载的KITTI数据集为灰度图，下载后进行解压。

命令：

./Examples/Monocular/mono_kitti Vocabulary/ORBvoc.txt Examples/Monocular/KITTIX.yaml PATH_TO_DATASET_FOLDER/dataset/sequences/SEQUENCE_NUMBER

 
 

 
 
  • 1

更改KITTIX.yaml为 KITTI00-02.yaml, KITTI03.yaml, KITTI04-12.yaml，分别对应压缩包 0 -2, 3, 4-12。PATH_TO_DATASET_FOLDER 为下载数据集的解压目录. 更改SEQUENCE_NUMBER 为00, 01, 02,…, 11.

例：00

  • 复制轨迹和poses、times文件
cd ORB_SLAM2/results
mkdir kitti00
cp KeyFrameTrajectory.txt ./results/kitti00/kitti_00_ORB2.txt 

 
 

 
 
  • 1
  • 2
  • 3
cd poses
cp 00.txt  ~/ORB_SLAM2/results/kitti00
  • 将kitti位姿文件转换为tum格式

将KITTI的ground truth加上时间戳，转换成TUM格式的。在evo文件夹下有一个contrib文件夹，里面有一个kitti_poses_and_timestamps_to_trajectory.py文件。把KITTI数据集下的00.txt和times.txt文件拷贝到该目录，运行如下命令：

python3 kitti_poses_and_timestamps_to_trajectory.py 00.txt times.txt kitti_00_gt.txt

cd ORB_SLAM2/results/kitti00
evo_traj kitti 00.txt --save_as_tum


 
 
  • 绘制轨迹
 

cd ~/ORB_SLAM2/results/kitti00
evo_traj tum kitti_00_ORB2.txt --ref=kitti_00_gt.txt -p --plot -s --correct_scale -a --align


保存为kitti_00_trajectories.png kitti_00_xyzview.png kitti_00_rpyview.png
 

  
  
  • 评估绝对位姿误差
 

cd ~/ORB_SLAM2/results/kitti00
evo_ape tum kitti_00_ORB2.txt kitti_00_gt.txt -p --plot -s --correct_scale -a --align -v --save_results kitti_00_ape.zip


保存为kitti_00_ape.png kitti_00_apemap.png
 

   
   
  • 输出ape结果，以便进行比较
 

cd ~/ORB_SLAM2/results/kitti00
evo_res kitti_00_ape.zip -p --save_table kitti_00_apetable.csv


保存为kitti_00_statistics.png kitti_00_histogram.png kitti_00_boxplot.png kitti_00_violin_histogram.png
 

（3）评估EuRoC数据集
 

下载官网：http://projects.asl.ethz.ch/datasets/doku.php?id=kmavvisualinertialdatasets
 

下载的EuRoC数据集为ASL格式，下载后进行解压。
 

对于MH序列，命令：
 

./Examples/Monocular/mono_euroc Vocabulary/ORBvoc.txt Examples/Monocular/EuRoC.yaml PATH_TO_SEQUENCE_FOLDER/mav0/cam0/data Examples/Monocular/EuRoC_TimeStamps/SEQUENCE.txt 


对于V1和V2序列，命令：
 

./Examples/Monocular/mono_euroc Vocabulary/ORBvoc.txt Examples/Monocular/EuRoC.yaml PATH_TO_SEQUENCE/cam0/data Examples/Monocular/EuRoC_TimeStamps/SEQUENCE.txt 



更改PATH_TO_SEQUENCE_FOLDER 和 SEQUENCE
 

      
      
  • 复制轨迹
 

cp KeyFrameTrajectory.txt ./results/EuRoC/MH_01_easy/MH01_ORB2.txt 


       
       
  • 复制并转换groundtruth文件
 

cd MH_01_easy/mav0/state_groundtruth_estimate0
cp data.csv  ~/ORB_SLAM2/results/EuRoC/MH_01_easy/MH01_gt.csv


EuRoc数据集需要将.csv文件形式的groundtruth转换为TUM形式的轨迹文件。
 

evo_traj euroc MH01_gt.csv --save_as_tum

         
         

         
         
  • 1
  • 绘制轨迹
cd ~/ORB_SLAM2/results/MH_01_easy
evo_traj tum MH01_ORB2.txt --ref=MH01_gt.tum -p --plot -s --correct_scale -a --align

保存为MH01_trajectories.png MH01_xyzview.png MH01_rpyview.png

  • 评估绝对位姿误差
cd ~/ORB_SLAM2/results/MH_01_easy
evo_ape tum MH01_ORB2.txt MH01_gt.tum -p --plot -s --correct_scale -a --align -v --save_results MH01_ape.zip

保存为MH01_ape.png MH01_apemap.png

  • 输出ape结果，以便进行比较
cd ~/ORB_SLAM2/results/MH_01_easy
evo_res MH01_ape.zip -p --save_table MH01_apetable.csv

保存为MH01_statistics.png MH01_histogram.png MH01_boxplot.png MH01_violin_histogram.png

参考：
https://blog.csdn.net/qq_40307605/article/details/104203474

https://blog.csdn.net/liu502617169/article/details/99406862

https://blog.csdn.net/HERO_CJN/article/details/105296614

https://blog.csdn.net/qq_41080854/article/details/104430828

https://blog.csdn.net/gyhjlauy/article/details/100598260

https://blog.csdn.net/hhaowang/article/details/105225595

https://blog.csdn.net/CSDNhuaong/article/details/101909888

https://blog.csdn.net/dcq1609931832/article/details/102465071

https://www.zhihu.com/question/56510863/answer/888846591

Sunshine_Zhou1
关注
  • 4
    点赞
  • 踩
  • 27
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
SLAM系统性能评估：绝对轨迹误差(ATE)和相对位姿误差(RPE)
认真的虎的博客
08-13 1万+
绝对轨迹误差直接计算相机位姿的真实值与SLAM系统的估计值之间的差，程序首先根据位姿的时间戳将真实值和估计值进行对齐， 然后计算每对位姿之间的差值， 并最终以图表的形 式输出， 该标准非常适合于评估视觉 SLAM 系统的性能。 相对位姿误差用于计算相同两个时间戳上的位姿变化量的差， 同样， 在用时间戳对齐之后， 真实位姿和估计位姿均每隔一段相同时间计算位姿的变化量， 然后对该变化量做差， 以获得相...
视觉slam开源算法对比orbslam2和3
weixin_44356437的博客
04-02 746
参考博客绝对轨迹误差(ATE):将对齐后的轨迹直接与真值比较，求取每个状态的RMSE作为整段轨迹总误差。其计算步骤主要包含两个：(1)轨迹对齐 (2)在对齐轨迹与真值之间计算RMSE。相对轨迹误差(RTE):将整段轨迹按一定规则截取成若干小段。取每一小段的第一个状态求取与真值的变换，利用这个变换将最后一个状态与真值对齐，计算误差。该计算结果即作为该段的误差。重复上述步骤即可以得到多段误差。RMSE是所有观测值与真值偏差的平方和与观测次数n比值的平方根术语解释剩余标准差S，也称均方差。
SLAM技术详解及Python实现
最新发布
极客代码
05-12 1472
EKF-SLAM：扩展卡尔曼滤波器（EKF）是一种常见的SLAM算法，它将SLAM问题转化为状态估计问题。EKF-SLAM通过迭代更新机器人位姿和环境地图的估计值，实现定位和建图。然而，随着环境地图的增大，EKF-SLAM的计算复杂度和存储需求呈指数级增长，容易出现维度灾难问题。FastSLAM：FastSLAM是一种基于粒子滤波的SLAM算法，它将SLAM问题分解为一系列独立的局部定位问题。FastSLAM通过在每个粒子维护一个独立的位姿和地图估计，降低了计算复杂度。
slam十四讲评价轨迹的误差（trajectoryError）
qq_53833529的博客
01-09 1292
trajectoryError.cpp #include <sophus/se3.hpp> #include <unistd.h> #include <string> #include <iostream> #include <fstream> #include <cmath> #include <pangolin/pangolin.h> #include <Eigen/Core> #include &lt
Benchmarking——佛莱堡 SLAM 数据集和误差分析工具
xuhangxx的博客
05-08 1173
官方链接：http://ais.informatik.uni-freiburg.de/slamevaluation/software.php，只提供相对位姿变换关系的评估。 一. 下载完源包后，直接make编译。碰到错误： linalg/runtimeError.cpp:49:43: error: ‘vasprintf’ was not declared in this scope in...
SLAM的评价指标、真实值、估计值及误差分析（转）
GGY1102的博客
09-22 1522
知乎上，东北大学刘国庆同学的回答比较全面 SLAM的精度评价标准是什么？ - 知乎 误差分析参考教材：误差理论与数据处理，机械工业出版社，合肥工业大学 费业泰 主编
SLAM Benchmarking-佛莱堡 SLAM 数据集下载及误差分析工具使用教程
weixin_44233142的博客
06-15 2134
SLAM Benchmarking-佛莱堡 SLAM 数据集下载及误差分析工具使用教程
SLAM_tools.rar
07-28
其次，误差轨迹图是评估SLAM算法精度的重要手段。误差轨迹图显示了估计轨迹与真实轨迹之间的差异，通常以绝对误差表示。这个工具能计算并绘制出这种误差，帮助开发者了解算法在不同阶段的定位精度，从而进行算法优化...
波恩大学SLAM课件资料
07-06
5. **数据集与实验**：介绍标准SLAM数据集，如TUM RGB-D，KITTI等，并讲解如何分析和评估SLAM结果。 通过深入学习这些内容，学生不仅可以掌握SLAM的基本原理，还能了解到最新的研究进展和技术挑战。对于希望从事...
高博slam资料
04-22
- **ch7, ch8, ch9**：继续深入SLAM的复杂话题，如多传感器融合、SLAM在动态环境中的处理以及误差分析和性能评估等。 3. **ROS浅析**： ROS是机器人软件开发的开源平台，提供了一个框架来组织和管理传感器、执行...
SLAM专题（10）- 最小化重投影误差与Bundle Adjustment （BA）
01-07
在SFM（structure from motion）的计算中BA（Bundle Adjustment）作为最后一步优化具有很重要的作用，在近几年兴起的基于图的SLAM（simultaneous localization and mapping）算法里面使用了图优化替代了原来的滤波器，这里所谓的图优化其实也是指BA。其实很多经典的文献对于BA都有深深浅浅的介绍，如果想对BA的全过程做一个全面的更深层次的了解，推荐阅读 Bundle Adjustment —A Modern Synthesis. 目录 一. 历史由来 二. Bundle Adjustment到底是什么？ 平差也就正好表述了为什么
视觉slamMATLAB仿真
05-06
通过MATLAB的可视化功能，可以展示小车的实时轨迹、地图构建过程以及误差分析结果，以便评估SLAM算法的性能。 总的来说，视觉SLAM MATLAB仿真是一个综合性的项目，涵盖了机器人学、计算机视觉、传感器融合和滤波...
slam-in-autonomous-driving
03-30
这些数据可能包含真实世界场景的点云数据以及相应的真值（ground truth），供研究者评估算法的性能。 SLAM与ICP的结合，使得自动驾驶车辆能够在没有先验地图的情况下，实时建立周围环境的高精度模型，并确定自身在...
视觉SLAM ——用TUM数据集测试orb-slam2
qq_43145072的博客
01-10 3745
测试ubuntu 16.04 STEP1——安装ORBSLAM2依赖项 1.安装 g++11 ORBSLAM2使用了C++11的线程和时间控制函数，所以必须要用支持C++ 11.0的编译器才可以。 $sudo apt-get install gcc g++ 2.安装 Pangolin 首先安装Pangolin的依赖项(有些可能依赖项已经安装过，所以请视情况安装) $ sudo apt-get i...
Evo评测工具对VIORBSLAM2进行评估（详细步骤!!!）
qq_40464599的博客
01-31 1809
VIORBSLAM实在orbslam2的基础上进行改进的，使用单目相机和IMU进行状态估计。由于 VI ORB SLAM2 并没有官方的版本，我们主要使用王京实现的一个版本（https://github.com/jingpang/LearnVIORB）作为基础更改来进行测试。 王京的版本实在ROS下运行的。 由于EuRoC 测试集有 VIO 的数据，我使用了 EuRoC 测试集进行测试。 在测试前需要对王京的代码进行修改： （1）修改 System 保存 TUM 观测值...
使用RGB-D信息的SLAM纯旋转时出现平移误差问题
weixin_30318645的博客
04-10 319
至今用过的:RGB-D SLAM, ORB-SLAM, RTABMAP的视觉里程计都出现过这个问题。在移动机器人底盘安放在正中央，以及通过手持运行，都有这个问题。 能够确定的是： 不是因为移动底盘摄像头的安装问题。 但建图效果看着都不错。这是为什么呢？ 转载于:https://www.cnblogs.com/severnvergil/p/6691249.html...
ORBSLAM3 现阶段发现的问题，以后尝试修改的。
qq_41861406的博客
11-13 454
在实际测试中，在转弯时系统不稳定。特征点提取数量，如何确定。进入优化窗口的关键帧。
轨迹误差评估指标[APE/RPE]和EVO[TUM/KITTI]
泠山的博客
02-15 8252
在实际工程中，我们经常需要评估一个算法的估计轨迹与真实轨迹的差异来评价算法的精度。真实轨迹往往通过某些更高精度的系统获得，而估计轨迹则是由待评价的算法计算得到的。考虑一条估计轨迹Testii​和真实轨迹Tgti​，其中i1⋅⋅⋅N，那么我们可以定义一些误差指标来描述它们之间的差别。
SLAM精度评估——EVO
07-27
SLAM精度评估中的EVO是指使用EVO工具来评估SLAM系统的轨迹误差。EVO是一个开源的工具，用于评估SLAM系统的性能。它提供了一系列命令和功能，可以计算和可视化SLAM系统的轨迹误差。 在EVO中，有几个常用的命令可以用来评估SLAM系统的轨迹误差。其中，evo_traj命令用于评估轨迹误差，可以使用手写的ATE（绝对位姿误差）和RPE（相对位姿误差）来比较SLAM系统的性能。\[1\] 相对位姿误差主要用于比较运动（姿态增量），而不是进行绝对位姿的比较。相对位姿误差可以给出局部精度，例如SLAM系统每米的平移或旋转漂移量。可以使用evo_rpe命令来计算相对位姿误差，并通过设置参数来进行可视化和保存结果。\[2\] 另外，evo_ape命令可以用于计算ATE（绝对位姿误差），并提供了可视化和保存结果的功能。可以使用该命令来评估SLAM系统在KITTI数据集上的性能。\[3\] 总之，EVO是一个用于评估SLAM系统性能的工具，可以通过计算和可视化轨迹误差来评估SLAM系统的精度。可以使用evo_traj、evo_rpe和evo_ape等命令来进行评估和分析。 #### 引用[.reference_title] - *1* *2* [SLAM精度测评——EVO进阶](https://blog.csdn.net/Darlingqiang/article/details/123534388)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [ros中SLAM的EVO、APE测评——SLAM精度测评（一）](https://blog.csdn.net/Yangy_Jiaojiao/article/details/124419966)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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