SLAM的轨迹评价指标

SLAM的轨迹评价是衡量定位精度的一个关键部分。以下是针对SLAM轨迹定义以及评价指标定义两方面展开：

轨迹

目前常用的轨迹描述文件包括：kitti、tum。

KITTI是一个公开的数据集，主要用于自动驾驶和计算机视觉领域的研究。它由德国卡尔斯鲁厄理工学院(Karlsruhe Institute of Technology)和丰田研究所(TOYOTA Technological Institute at Chicago)联合创建。

同时，KITTI提供了一个在线评估服务器，允许研究者提交他们的算法结果并与其他方法进行比较。

但是，实际上 kitti 不是一种真正的轨迹格式，因为它没有时间戳 - 它只包含姿势。这意味着当要将此格式的两个文件与指标进行比较时必须小心，因为姿势的数量必须完全相同。

文件的每一行都包含 3x4 齐次姿势矩阵 SE(4) 矩阵的前 3 行，这些矩阵展平为一行，每个值用空格分隔。例如，这个姿势矩阵：

a b c d
e f g h
i j k l
0 0 0 1

在 txt 文件中的展开形式为：

a b c d e f g h i j k l

TUM 是德国慕尼黑工业大学的英文缩写。因为其提供了一系列的数据集和基准测试，尤其是针对视觉测距和SLAM技术。其中，TUM RGB-D 数据集是一个非常流行的数据集，它提供了从RGB-D相机捕获的数据，用于评估各种视觉测距和SLAM方法。

其中，每行有 8 个条目，包含时间戳（以秒为单位）、位置和方向（以四元数为单位），每个值用空格分隔：

timestamp x y z q_x q_y q_z q_w

常用评估轨迹误差的方式有两种：绝对轨迹误差（ATE）与相对轨迹误差（RPE）

ATE 考虑了估计轨迹和真实轨迹之间的全局误差。首先，我们需要对齐估计的轨迹与真实轨迹。通常，这可以通过找到最佳的刚体变换（平移和旋转）来实现。

\text{ATE} = \sqrt{\frac{1}{N} \sum_{i=1}^{N} \| T \cdot p_i^e - p_i^g \|_2^2}

其中：

在计算ATE之前，确保估计轨迹和真实轨迹具有相同的时间戳，并已经进行了恰当的对齐。

RPE 与ATE（绝对轨迹误差）不同，RTE更关心局部轨迹的精度和连续性，而不是整个轨迹的全局误差。

RTE通常通过计算两个相邻的位姿之间的相对运动来得到。给定一个时间窗口长度 Δt，RTE会对所有相距 Δt 的位姿对进行评估，以评估这些位姿对之间的相对误差。

相对轨迹误差（RTE）可以定义为所有对应相对位姿变换之间的误差的均值或均方根：

\text{RTE} = \sqrt{\frac{1}{N-\Delta t} \sum_{i=1}^{N-\Delta t} \| \delta p_i^e \ominus \delta p_i^g \|_2^2}

其中：

evo 工具是一个用于评估测程法和SLAM的Python包

安装：

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

计算 APE 的同时绘制轨迹误差图

evo_ape kitti KITTI_00_gt.txt KITTI_00_ORB.txt -va --plot --plot_mode xz

同时绘制多条曲线

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

计算 APE 的同时绘制轨迹误差图

evo_ape tum fr2_desk_groundtruth.txt  fr2_desk_ORB.txt -va --plot --plot_mode xz

同时绘制多条曲线

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