使用evo工具评估ORB_SLAM2在TUM数据集上的运行轨迹

你的名字 2023-10-09 18:09 48阅读 0赞

#### 目录 ####

*  一、安装evo工具
 *  二、运行RGB-D基准数据集
 *   *  1.下载TUM数据集
     *  2.关联rgb图像和depth图像
     *  3.运行rgb-d数据集
 *  三、使用evo评估
 *   *  1.常用指令
     *  2.绝对轨迹误差
     *  3.相对位姿误差

## 一、安装evo工具 ##

最新的evo工具支持的Python环境为`Python 3.8+`，有下面两种方法安装最新版本的evo：

1.命令行利用pip工具直接安装

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

2.源代码安装

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

![在这里插入图片描述][b6d02101ef884666b1c75af9020cda76.png_pic_center]

## 二、运行RGB-D基准数据集 ##

### 1.下载TUM数据集 ###

[TUM数据集官网下载地址][TUM]，TUM数据集里面有深度图像和RGB图像。当使用单目模式时，仅用到rgb文件夹里的图片；当使用RGB-D模式时，需要用到depth和rgb两个文件夹里的图片，而且需要associate.py脚本文件关联 RGB 图像和深度图像。我们以`rgbd_dataset_freiburg3_long_office_household`数据集为例。

### 2.关联rgb图像和depth图像 ###

在这步中我们需要使用RGB 图像和深度图像的关联文件，ORB-SLAM2的作者在examples/RGB-D/associations/路径下提供了某些序列的关联文件。我们也可以使用 TUM官网提供的python 脚本[associate.py][]关联 RGB 图像和深度图像。将associate.py脚本放到下载并且解压好的rgbd\_dataset\_freiburg3\_long\_office\_household/路径下，执行以下命令：

python associate.py rgb.txt depth.txt > associations.txt

上面命令的含义就是对齐彩色图像和深度图像的时间戳，然后关联结果写入到`associations.txt`中。

### 3.运行rgb-d数据集 ###

接下来执行运行命令，最熟悉不过了：

./Examples/RGB-D/rgbd_tum Vocabulary/ORBvoc.txt Examples/RGB-D/TUMX.yaml PATH_TO_SEQUENCE_FOLDER ASSOCIATIONS_FILE

将TUMX.yaml改为TUM1.yaml，TUM2.yaml或TUM3.yaml，分别用于freiburg1，freiburg2和freiburg3序列。将`PATH_TO_SEQUENCE_FOLDER`改为解压好的数据集文件夹路径。将`ASSOCIATIONS_FILE`改为相应关联文件的路径。

简单来说命令分为五个部分：

1.  TUM RGB-D可执行文件
2.  训练好的词袋
3.  参数文件
4.  解压好的数据集路径
5.  关联文件路径

![在这里插入图片描述][cf48206b91a642b1b28a6d51209a5fd1.png_pic_center]  
rgbd\_tum程序运行完成之后，会保存相机和关键帧轨迹文件到ORB\_SLAM2根目录下。

![在这里插入图片描述][20d1133a43e447a5adf7a2e8d1c60c22.png]

## 三、使用evo评估 ##

### 1.常用指令 ###

绘制单个轨迹，groundtruth.txt是数据集的真实轨迹，`-p`表示绘制图像。

evo_traj tum groundtruth.txt -p

三维空间中数据集中相机的真实轨迹图像，存在闭环，单位是m。  
![在这里插入图片描述][c12b17d5e90d49178eaa2cc6eb0ffd23.png_pic_center]

xyz坐标系的视图，显示各个时间下相机的x、y、z坐标，纵轴单位为m，横轴单位为s。  
![在这里插入图片描述][7dee8faad1064ad39bd3816014f6b0a0.png_pic_center]

rpy视图，显示各个时间下相机的r、p、y坐标，纵轴单位为deg，横轴单位为s。

![在这里插入图片描述][57139a50653b47568981313236a202e7.png_pic_center]

绘制多个轨迹：真实轨迹和刚刚运行得到的相机轨迹。

evo_traj tum groundtruth.txt CameraTrajectory.txt -p

![在这里插入图片描述][0c073f5ee37c415990f89bce9b760577.png_pic_center]

上面的轨迹在旋转和平移上不对齐，可以通过`--ref`参数指定参考轨迹，并且添加参数-a来对齐轨迹

evo_traj tum --ref=groundtruth.txt CameraTrajectory.txt -p -a

可以看到运行轨迹和真实轨迹几乎一致，看不出来又两根线，ORB\_SLAM2强大的后端优化和闭环在这里就体现出来了。  
![在这里插入图片描述][bc496201ecb546d6bca92d437a37e8d5.png_pic_center]

轨迹图都如此的吻合，xyz坐标必然也很精确，相比而言z坐标误差较大。

![在这里插入图片描述][b36de730582b4c3391579e5546f8b2e7.png_pic_center]  
rpy坐标下，y很精确，r和p有较大误差。

![在这里插入图片描述][bd8dc4e25af7436e9fef8a6d5528d088.png_pic_center]

如果是单目程序，还需要添加一个参数`-s`进行尺度上面的对齐

evo_traj tum --ref=groundtruth.txt CameraTrajectory.txt -p -a -s

或者直接使用参数`-as`同时使用旋转和平移以及尺度上面的对齐

evo_traj tum --ref=groundtruth.txt CameraTrajectory.txt -p -as

通过观察，上面的轨迹在x和y轴上面变化不大，可以添加参数`--plot_mode=xz`将轨迹压缩在xz平面上。

evo_traj tum --ref=groundtruth.txt CameraTrajectory.txt -p -as --plot_mode=xz

![在这里插入图片描述][916f1ccbda894f84ae073b150bbcf5ad.png_pic_center]

大多数情况下，还是选择将轨迹投影到xy平面上，就是俯视图。

![在这里插入图片描述][47dfe64ecc934ac7a8b2d927af5a730a.png_pic_center]

通过上面的实践，我们总结常用的命令格式如下：

evo_traj tum --ref=groundtruth.txt CameraTrajectory.txt -p -as

evo_traj tum --ref=groundtruth.txt CameraTrajectory.txt -p -as --plot_mode=xy

### 2.绝对轨迹误差 ###

evo_ape tum groundtruth.txt CameraTrajectory.txt -p -as

max：表示最大误差；mean：平均误差；median：误差中位数；min：最小误差；rmse：均方根误差；sse：和方差/误差平方和；std：标准差。

APE w.r.t. translation part (m)
    (with Sim(3) Umeyama alignment)
    
       max	0.025939
      mean	0.009091
    median	0.008388
       min	0.000931
      rmse	0.009895
       sse	0.243401
       std	0.003906

![在这里插入图片描述][6de9fe7e5e27487aa7a04b6127e3342b.png_pic_center]  
![在这里插入图片描述][37cb3fc2512c4dd782f15bba47653413.png_pic_center]

### 3.相对位姿误差 ###

和绝对轨迹误差参数相同，使用相机轨迹的原因在于它包含了关键帧轨迹，反映的是全局一致的地图。

evo_rpe tum groundtruth.txt CameraTrajectory.txt -p -as

RPE w.r.t. translation part (m)
    for delta = 1 (frames) using consecutive pairs
    (with Sim(3) Umeyama alignment)
    
           max	0.030021
          mean	0.004404
        median	0.003749
           min	0.000176
          rmse	0.005210
           sse	0.067444
           std	0.002783

![在这里插入图片描述][d4b55085e1f84dbe893d533a4bc18352.png_pic_center]  
![在这里插入图片描述][1aba8d4fa99f44fd8dc29a80bc7d1703.png_pic_center]

> 照片本质上是拍照时的场景在相机的成像平面上留下的一个投影。它以二维的形式反映了三维的世界。显然，这个过程丢掉了场景的一个维度，也就是所谓的深度（或距离）。

[b6d02101ef884666b1c75af9020cda76.png_pic_center]: https://img-blog.csdnimg.cn/b6d02101ef884666b1c75af9020cda76.png#pic_center
[TUM]: https://vision.in.tum.de/data/datasets/rgbd-dataset/download
[associate.py]: https://svncvpr.in.tum.de/cvpr-ros-pkg/trunk/rgbd_benchmark/rgbd_benchmark_tools/src/rgbd_benchmark_tools/associate.py
[cf48206b91a642b1b28a6d51209a5fd1.png_pic_center]: https://img-blog.csdnimg.cn/cf48206b91a642b1b28a6d51209a5fd1.png#pic_center
[20d1133a43e447a5adf7a2e8d1c60c22.png]: https://img-blog.csdnimg.cn/20d1133a43e447a5adf7a2e8d1c60c22.png
[c12b17d5e90d49178eaa2cc6eb0ffd23.png_pic_center]: https://img-blog.csdnimg.cn/c12b17d5e90d49178eaa2cc6eb0ffd23.png#pic_center
[7dee8faad1064ad39bd3816014f6b0a0.png_pic_center]: https://img-blog.csdnimg.cn/7dee8faad1064ad39bd3816014f6b0a0.png#pic_center
[57139a50653b47568981313236a202e7.png_pic_center]: https://img-blog.csdnimg.cn/57139a50653b47568981313236a202e7.png#pic_center
[0c073f5ee37c415990f89bce9b760577.png_pic_center]: https://img-blog.csdnimg.cn/0c073f5ee37c415990f89bce9b760577.png#pic_center
[bc496201ecb546d6bca92d437a37e8d5.png_pic_center]: https://img-blog.csdnimg.cn/bc496201ecb546d6bca92d437a37e8d5.png#pic_center
[b36de730582b4c3391579e5546f8b2e7.png_pic_center]: https://img-blog.csdnimg.cn/b36de730582b4c3391579e5546f8b2e7.png#pic_center
[bd8dc4e25af7436e9fef8a6d5528d088.png_pic_center]: https://img-blog.csdnimg.cn/bd8dc4e25af7436e9fef8a6d5528d088.png#pic_center
[916f1ccbda894f84ae073b150bbcf5ad.png_pic_center]: https://img-blog.csdnimg.cn/916f1ccbda894f84ae073b150bbcf5ad.png#pic_center
[47dfe64ecc934ac7a8b2d927af5a730a.png_pic_center]: https://img-blog.csdnimg.cn/47dfe64ecc934ac7a8b2d927af5a730a.png#pic_center
[6de9fe7e5e27487aa7a04b6127e3342b.png_pic_center]: https://img-blog.csdnimg.cn/6de9fe7e5e27487aa7a04b6127e3342b.png#pic_center
[37cb3fc2512c4dd782f15bba47653413.png_pic_center]: https://img-blog.csdnimg.cn/37cb3fc2512c4dd782f15bba47653413.png#pic_center
[d4b55085e1f84dbe893d533a4bc18352.png_pic_center]: https://img-blog.csdnimg.cn/d4b55085e1f84dbe893d533a4bc18352.png#pic_center
[1aba8d4fa99f44fd8dc29a80bc7d1703.png_pic_center]: https://img-blog.csdnimg.cn/1aba8d4fa99f44fd8dc29a80bc7d1703.png#pic_center