【SLAM】运行ORB-SLAM2并使用evo工具评估TUM/KITTI/EuRoC单目数据集

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： $P_1,...,P_n\in SE(3)$
• 真实位姿： $Q_1,...,Q_n\in SE(3)$
• 下标代表时间$t$（或帧）,假设估计位姿和真实位姿各帧时间已对齐，总帧数相同。
• 相隔时间time interval：$\Delta$

（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$\text{S}\in SE(3)$；

• 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 $\text{S}\in Sim(3)$。

因此第$i$帧的ATE定义如下：

$F_i:=Q_i^{-1}S{P}_i$

与RPE相似，建议使用RMSE统计ATE

RMSE ( F 1 : n , Δ ) :