SLAM中常用到的评价指标

最新推荐文章于 2025-09-14 22:35:25 发布
原创 最新推荐文章于 2025-09-14 22:35:25 发布 · 1w 阅读 · 138 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#自动驾驶 #slam #evo

本文详细介绍了TUM RGBD和KITTI数据集的评价指标RPE（相对位姿误差）和ATE（绝对轨迹误差），讨论了它们的计算方法、含义及在不同场景的应用。同时，比较了RPE和ATE的区别，以及如何在实际使用中通过EVO工具进行评估和解读结果。

主要是想整理一下关于tum rgbd数据集和kitti数据集的评价指标，之后比较结果不能只看数值大小，还要非常清楚背后的含义。

一. 从TUM数据集出发

前提假设：
给出的位姿估计值为 P 1 . . . P n ∈ S E ( 3 ) P_1 ... P_n \in SE(3) P1​...Pn​∈SE(3), 真值为 Q 1 . . . Q n ∈ S E ( 3 ) Q_1 ... Qn \in SE(3) Q1​...Qn∈SE(3)， 下标代表时间t（或帧）,这里假设估计位姿和真实位姿各帧时间已对齐，总帧数相同。

1. 相对位姿误差RPE(relative pose error)

用来评价轨迹中相隔固定时间的局部准确度， Δ \Delta Δ表示时间间隔，也可以转变成frame的间隔。 P i P_i Pi​是估计的位姿，是一个4*4的矩阵，因此这个相对位姿误差是包括了旋转和平移的。
E i = ( Q i − 1 Q i + Δ ) − 1 ( P i − 1 P i + Δ ) E_i = (Q_i^{-1}Q_{i+\Delta})^{-1} (P_i^{-1} P_{i+ \Delta}) Ei​=(Qi−1​Qi+Δ​)−1(P

最低0.47元/天 解锁文章
深蓝-视觉slam-第三讲学习笔记
weixin_46417419的博客
04-07 619
第三讲 李群和李代数 1.群 2.李群和李代数 3.指数映射与对数映射 4.求导与扰动模型 5.实践：Sophus 引入李群和李代数的原因是为了估计相机的运动,相机在时间上的连续运动构成李群，因为在状态估计中需要估计李群的性质，需要引入李群和李代数的概念。 xk的描述可以通过一个旋转矩阵（R）+平移向量（t) 或者**变换矩阵 (T)**来描述; 如果已经知道了一些输入和观测值，如何求出x,y:状态估计问题， 由初始值迭代去计算更好的估计。 (f(R+ Δ\DeltaΔR) - f(R）)/ dR
SLAM 轨迹评估 性能指标 汇总
weixin_44458958的博客
05-30 4683
假如有2000次观测，即m=2000，对于某一次（第i次）观测来说，y值是真实值，而h(x)是观测值，对所有m次观测的的偏差取平方后相加，得到的值再除以m，然后再开根号，就得到RMSE了。它们之间在的区别在于，RMSE先对偏差做了一次平方，这样，如果误差的离散度高，也就是说，如果最大偏差值大的话，RMSE就放大了。RRE是另外一种计算误差的方式，相比于上面计算的旋转误差，应该是等价的。但是还有一个比较让人迷糊的概念是标准误差，体现的是使用样本来估计总体，这时，上面公式里的1/n，变成了1/(n-1)。
SLAM系统常见评估指标
最新发布
crasher123的博客
09-14 1022
指标类型具体指标主要关注点定位精度全局 vs 局部精度建图质量地图误差, 一致性地图是否真实、连续鲁棒性对挑战场景的适应性运行效率Time, FPS, 内存实时性与资源消耗。
【SLAM评估指标介绍】—— SLAM精度的评估的几种指标介绍
2401_82458959的博客
07-17 4135
SLAM（同步定位与地图构建）技术的精度评估对其可靠性和性能至关重要。常用的评估指标包括绝对轨迹误差（`ATE`）、相对姿态误差（`RPE`）、地图精度和闭环检测。ATE用于衡量SLAM系统估计轨迹与实际路径之间的偏差，通过计算估计位置和真实位置的欧氏距离来量化定位精度，低ATE值表明系统能更准确地反映实际路径。RPE评估相邻帧之间的相对运动估计误差，通过比较估计的相对运动与真实相对运动之间的差异来衡量局部精度，常用于评估短时间内的累积误差，特别适用于动态环境。
视觉Slam3 评价指标及计算方法
m0_64767429的博客
08-04 4646
视觉slam 评价指标
[学习笔记-SLAM篇]评估指标
warningm_dm的博客
10-27 754
参考： 视觉SLAM基础：算法精度评价指标（ATE、RPE） 写的很详细，暂时先不整理了。 有一个地方，要输出ape的旋转部分的时候，添加指令-r rot_part。
SLAM中的位姿与轨迹评价指标:APE、RPE、ATE、RTE
lovely_yoshino的博客
12-31 1万+
{T}t}\)，这也就是\(T。
SLAM算法精度评价指标（ATE、RPE）
u014374826的博客
07-12 2070
当我们需要评估一个SLAM/VO算法的表现时，可以从时耗、复杂度、精度多个角度切入，其中对精度的评价是我们最关注的，这个过程中不可避免会遇到两个精度指标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。介绍前，先对定义一下公式标注：算法估计位姿：真实位姿：下标代表时间t（或帧）,这里我们假设估计位姿和真实位姿各帧时间已对齐，总帧数相同。表示相隔时间time interval。
评价SLAM算法的一些指标及评价工具evo的使用方法
weixin_38504276的博客
12-09 1万+
写在前面的话 在读论文中，在实验部分一般都会出现大量的图表来辅助证明自己的结论，也会有一些相应的指标来评价算法的精度及稳定性等，在这里整理一下相关的东西，方便日后查看。 评价指标 绝对轨迹误差（ATE:abosulte 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...
SLAM精度评价指标ATE\RPE介绍
qq_37423490的博客
05-20 3378
SLAM（Simultaneous Localization and Mapping，即时定位与地图构建）系统的性能评估是确保其在各种环境下稳定性和准确性的关键。其中，ATE和RPE是两种常用的精度评价指标，它们分别代表了绝对轨迹误差(Absolute Trajectory Error)和相对姿态误差(Relative Pose Error)。
SLAM_轨迹算法精度评价指标（ATE、RPE）
热门推荐
惊鸿一博
03-21 2万+
目录 1. 前言 2. RPE： relative pose error 相对位姿误差 3. ATE： absolute trajectory error 绝对轨迹误差 4. 工具：EVO 4.1 安装 4.2 usage 1. 轨迹可视化 2. APE 3. RPE 4.3 metrics解析 视觉SLAM基础：算法精度评价指标（ATE、RPE） 1. 前言 当我们需要评估一个SLAM/VO算法的表现时，可以从时耗、复杂度、精度多个角度切入，其中对精度的评价是我们最关注的，这个过
视觉SLAM基础：算法精度评价指标（ATE、RPE）
3D视觉工坊
05-13 8761
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者：三无马尔布鲁链接：https://zhuanlan.zhihu.com/p/105428199本文转载自知乎，作者已授权，未经...
SLAM的精度评价标准
随风的博客
04-01 8737
SLAM的精度评价标准
SLAM的评价指标、真实值、估计值及误差分析（转）
GGY1102的博客
09-22 2141
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】评估轨迹误差，手写ATE、RPE对比EVO
weixin_44034287的博客
08-12 1万+
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） 1.绝对轨迹误差（Absolute Trajectory Error, ATE） 绝对轨迹误差即为求每个位姿李代数的均方根 如图，有两条轨迹，一条为真实轨迹esti，一条为slam算法估算的轨迹gt, 将两条轨迹分为无数个点，并在上面分别取两个点Pesti,i和Pg,i，其相对于原点P的计算公式如下，其中T为欧式变化（属于李群） 计算第i个点的误差error的李群形式，写成相除的形式比较好理解： 1...
SLAM怎么评价slam建图效果
lyk_ffl的专栏
08-11 2919
个人收藏使用 目录 1. ATE RMSE，RPE RMSE等指标能间接说明不同slam算法建图效果好坏吗? 文献[4] 文献[7] ICL-NUIM 数据集[1] 2. 建图的度量指标，或者说如何评价稠密建图结果。 不同的评估方式： [1] A benchmark for RGB-D visual odometry, 3D reconstruction and SLAM [2]ElasticFusion: Dense SLAM without a pose graph [3]Bun..
SLAM建图
妖米的博客
10-09 2984
建图路径 现在的slam建图的时候基本认为是人手动操控机器人进行建图的。 局部地图融合 根据传感器获得的对当前局部环境的地图 要将局部地图融入全局地图，首先得进行坐标变换，包括平移和旋转，变换到全局地图的位置。 局部地图初始时，用像素值128表示当前栅格不确定（所用像素值的范围0-255），然后，如果当前栅格是障碍，我们把它置0，否则就是255。 线性融合 : 让全局栅格地图上栅格的值分布在0-255，栅格对应的值小于128时，越小是障碍的概率越大，栅格对应的值大于128时，越大是障碍的概率越小。
视觉SLAM稠密建图评价指标
05-31
<think>好的，我现在需要回答用户关于视觉SLAM稠密建图评估指标的问题。首先，我得回忆一下相关的知识，确保自己理解正确。视觉SLAM的稠密建图评估通常涉及几个方面，比如重建精度、完整度、一致性，还有实时性和资源消耗。用户提到可能需要技术标准或学术资料，所以应该引用一些常见的指标和方法。记得之前看到过一些论文中使用的方法，比如深度图比较、点云配准误差，还有轨迹精度评估。比如引用[1]中提到的深度估计和深度图真值评估，这可能与稠密重建的精度有关。另外，引用[2]中的EVO工具用于轨迹评估，但用户问的是稠密建图，所以可能需要区分轨迹评估和地图评估。 接下来，我需要组织这些指标，分点说明。每个指标需要解释清楚，比如绝对轨迹误差（ATE）和相对位姿误差（RPE）通常用于轨迹评估，但地图的评估可能用点云对比，比如均方误差（MSE）、Chamfer距离等。还有完整度，即重建的表面覆盖程度，以及一致性，比如在不同光照或视角下的稳定性。 还需要考虑是否有标准的数据集和评估协议，比如KITTI、TUMRGB-D等，这些数据集提供了真值数据，可以用于比较。比如引用[1]中的KITTI特征分割和深度估计设置，可能作为评估环境。另外，稠密重建可能会用到体素精度、召回率等指标。不过要注意，用户的问题可能混淆了轨迹评估和地图评估，需要明确区分。比如EVO工具主要用于轨迹，而稠密地图可能需要其他工具如CloudCompare进行点云对比。还要检查是否有遗漏的指标，比如实时性指标（帧率、处理时间）和资源消耗（内存使用），这些对于实际应用也很重要。此外，语义分割的准确性如果涉及语义建图的话，但用户问的是稠密建图，可能不需要涉及语义部分。 最后，确保回答结构清晰，分点列出每个评估指标，并适当引用提供的资料。比如引用[1]中的深度图评估和引用[2]中的轨迹评估工具，但需指出它们与稠密建图的关系。可能需要指出虽然引用中的例子是轨迹评估，但稠密地图的评估另有方法，如点云对比。</think>视觉SLAM稠密重建的评估指标主要分为几何精度、完整度、一致性及性能效率四类，具体如下： ### 一、几何精度指标 1. **绝对轨迹误差（ATE）** 通过比较重建轨迹与真值轨迹的全局对齐误差，反映整体位姿估计精度。常用EVO工具计算，例如： $$ATE = \sqrt{\frac{1}{n}\sum_{i=1}^{n} \|trans(T_{est,i}^{-1}T_{gt,i})\|^2}$$ 其中$T_{est,i}$和$T_{gt,i}$分别为估计位姿和真值位姿[^2]。 2. **点云配准误差** 将重建点云与激光雷达或高精度扫描仪获取的真值点云对齐，计算对应点之间的均方误差（MSE）或Chamfer距离。例如引用[1]中提到的KITTI数据集深度图真值对比方法。 ### 二、完整度指标 1. **表面覆盖率** 统计重建模型覆盖真值表面区域的比例，通常以体素或网格为单位计算召回率： $$Recall = \frac{TP}{TP+FN}$$ TP为正确重建区域，FN为未覆盖区域。 2. **空洞率分析** 检测重建模型中因遮挡或纹理缺失导致的未重建区域大小，常通过深度图补全率评估[^1]。 ### 三、一致性指标 1. **跨帧一致性误差** 检查同一空间点在不同帧中的重建位置偏差，反映系统对动态环境的鲁棒性。 2. **光照不变性** 评估重建模型在不同光照条件下的几何稳定性，常用合成数据集中多光照场景测试。 ### 四、性能效率指标 1. **实时性** 帧处理速度（FPS）及端到端延迟，例如ORB-SLAM2要求≥30FPS实时性[^2]。 2. **资源消耗** GPU显存占用、CPU利用率及存储开销，尤其针对大规模场景重建。 ### 五、标准化评估协议 - **数据集基准**：KITTI（室外）、TUM RGB-D（室内）等提供轨迹与深度真值[^1][^2] - **工具链**：EVO（轨迹评估）、CloudCompare（点云对比）、MVSBench（多视图重建基准）
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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