文章目录
- 0 引言
- 1 evo工具
- 1.1 简介
- 1.2 常用命令
- 1.3 安装
- 2 TUM数据
- 3 单目ORB-SLAM2
- 3.1 运行ORB-SLAM2
- 3.2 evo评估轨迹
- 3.2.1 载入和对比轨迹
- 3.2.2 计算绝对位姿误差
- 4 RGB-D ORB-SLAM2
- 4.1 运行ORB-SLAM2
- 4.2 evo评估轨迹
- 4.2.1 载入和对比轨迹
- 4.2.2 计算绝对轨迹误差
- ORB-SLAM2学习笔记系列：
0 引言
上篇已成功编译安装ORB-SLAM2到本地，本篇目的是用TUM开源数据来运行ORB-SLAM2，并生成轨迹，最后用evo评估工具来评估ORB-SLAM2生成的轨迹和真值轨迹。
1 evo工具
1.1 简介
evo工具是用于评估视觉SLAM（Simultaneous Localization and Mapping）系统的开源Python工具包。evo是"EValuation of Odometry"的简称，它提供了一系列可视化和数值化的评估指标，用于比较和分析不同SLAM算法的性能。
evo工具支持多种输入格式，包括轨迹文件（如KITTI、EuRoC等数据集格式）、ROS话题和TUM RGB-D数据集。它可以计算轨迹误差、绝对轨迹误差、相对尺度误差、绝对尺度误差、姿态误差等多种评估指标，并提供了多种可视化展示方式，如误差随时间变化曲线、误差分布直方图、误差累积分布函数等。
evo工具的设计目的是为了方便SLAM算法的研究和比较，它已被广泛应用于学术研究和工业应用中。
1.2 常用命令
evo工具包含许多命令和选项，以下是一些常用的命令指令，每个命令还包含许多选项和参数，可以通过在命令后加上--help来查看详细的使用说明。：
-
evo_traj: 计算和可视化轨迹误差（trajectory error）和其他轨迹相关的指标。plot: 可视化轨迹误差随时间变化的曲线。pdr: 计算和可视化绝对轨迹误差（pose deviation rate）指标。ape: 计算和可视化绝对姿态误差（absolute pose error）指标。
-
evo_ape: 计算和可视化绝对姿态误差（absolute pose error）指标。 -
evo_rpe: 计算和可视化相对姿态误差（relative pose error）指标。 -
evo_res: 可视化误差分布和累积分布函数。 -
evo_config: 生成和更新evo工具的配置文件。 -
evo_play: 可视化轨迹和图像数据。 -
evo_fig: 可视化轨迹误差和其他指标的图表。
1.3 安装
evo工具需要Python3.6或更高版本，并且需要一些依赖包：
pip install numpy scipy matplotlib pandas seaborn pyyaml Pillow
evo 便捷安装命令：
pip install evo --upgrade --no-binary evo
安装完成后，可通过 evo --help 来查看是否安装成功。
usage: evo [-h] {pkg,cat_log} ...
positional arguments:
{pkg,cat_log}
optional arguments:
-h, --help show this help message and exit
2 TUM数据
TUM数据集是一个流行的视觉SLAM（Simultaneous Localization and Mapping）算法评估数据集，由德国慕尼黑工业大学（Technical University of Munich，简称TUM）的计算机视觉组维护和发布。该数据集包括多种类型的传感器数据，包括单目、双目、RGB-D相机和激光雷达等，适用于多种视觉SLAM算法的评估和比较。
TUM数据集包含多个子数据集，每个子数据集都包括相应的传感器数据和对应的真实轨迹（ground truth trajectory）。其中比较常用的数据集包括：
-
TUMRGB-D数据集：包括Kinect v1和v2相机拍摄的RGB-D图像和对应的真实轨迹数据。 -
TUMMono数据集：包括单目相机拍摄的图像和对应的真实轨迹数据。 -
TUMRGB数据集：包括双目相机拍摄的图像和对应的真实轨迹数据。 -
TUMVI数据集：包括IMU和单目相机的数据以及对应的真实轨迹数据。
👉 TUM数据集：https://cvg.cit.tum.de/data/datasets/rgbd-dataset/download
本篇先以Mono的数据集来测试，比如freiburg1_desk .
下载rgbd_dataset_freiburg1_desk.tgz解压后的rgbd_dataset_freiburg1_desk文件夹tree：
.
├── accelerometer.txt
├── depth # 深度图文件夹
├── depth.txt
├── groundtruth.txt # 轨迹的真值
├── rgb # rgb图像文件夹
└── rgb.txt
2 directories, 4 files
3 单目ORB-SLAM2
3.1 运行ORB-SLAM2
ORB-SLAM2执行的命令分成四部分：
- TUM单目模式的可执行文件
- 官方训练好的词袋
- 参数文件
- 单目图像数据集的路径
官方已在ORB_SLAM2/Examples/Monocular文件夹目录下给出了TUM1.yaml、TUM2.yaml和TUM3.yaml，本篇用对应的TUM1.yaml
TUM1.yaml— freiburg1相关的相机参数TUM2.yaml— freiburg2相关的相机参数TUM3.yaml— freiburg3相关的相机参数
熟悉了执行命令和配置文件之后，执行以下命令，用TUM-rgbd_dataset_freiburg1_desk数据集来运行ORB-SLAM2，其中PATH是rgbd_dataset_freiburg1_desk文件夹的存放目录：
# 在ORB-SLAM2工程目录下新开终端
./Examples/Monocular/mono_tum Vocabulary/ORBvoc.txt Examples/Monocular/TUM1.yaml PATH/rgbd_dataset_freiburg1_desk
运行后，会自动生成两个可视化页面，ORB-SLAM2 Current Frame 和 ORB-SLAM2 Map Viewer
运行完毕后，还在该终端目录下保存了轨迹文件KeyFrameTrajectory.txt
3.2 evo评估轨迹
3.2.1 载入和对比轨迹
把刚刚生成的轨迹文件KeyFrameTrajectory.txt，复制到rgbd_dataset_freiburg1_desk文件夹下，已有的groundtruth.txt 是轨迹真值，然后执行以下命令来载入两个轨迹，并进行可视化对比：
evo_traj tum KeyFrameTrajectory.txt --ref=groundtruth.txt -p --plot_mode=xyz --align --correct_scale
可视化界面：
trajectories 结果图：（3D 可旋转查看）
xyz_view示意图：
rpy_view示意图：
3.2.2 计算绝对位姿误差
evo工具还支持计算绝对位姿误差，用以下命令：
evo_ape tum groundtruth.txt KeyFrameTrajectory.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
运行后：
APE w.r.t. translation part (m)
(with Sim(3) Umeyama alignment)
max 0.037075
mean 0.011193
median 0.009728
min 0.001007
rmse 0.013045
sse 0.012933
std 0.006700
可视化界面：
raw示意图：
map示意图：（3D 可旋转查看）
至此，成功用evo评估工具来评估单目ORB-SLAM2生成的TUM开源数据轨迹和真值轨迹。
4 RGB-D ORB-SLAM2
4.1 运行ORB-SLAM2
RGB-D版的ORB-SLAM2需要输入RGB 图像和depth深度图像，也需要两者的关联文件，官方ORB-SLAM2在Examples/RGB-D/associations/文件夹下提供了某些开源数据的关联文件。
当然也可以使用python 脚本associate.py关联 RGB 图像和depth深度图像。
将associate.py脚本放到下载并且解压好的rgbd_dataset_freiburg1_desk文件夹下，然后运行脚本来获得关联文件associations.txt。
python associate.py rgb.txt depth.txt > associations.txt
生成的associations.txt结果文件包含如下所示的RGB图像时间戳、RGB图像相对路径、depth深度图像时间戳和depth深度图像相对路径：
1305031453.359684 rgb/1305031453.359684.png 1305031453.374112 depth/1305031453.374112.png
1305031453.391690 rgb/1305031453.391690.png 1305031453.404816 depth/1305031453.404816.png
1305031453.423683 rgb/1305031453.423683.png 1305031453.436941 depth/1305031453.436941.png
...
类似单目的ORB-SLAM2，再增加关联文件，执行以下命令，同样用TUM-rgbd_dataset_freiburg1_desk数据集来运行ORB-SLAM2，其中PATH是rgbd_dataset_freiburg1_desk文件夹的存放目录：
# 在ORB-SLAM2工程目录下新开终端
./Examples/RGB-D/rgbd_tum Vocabulary/ORBvoc.txt Examples/RGB-D/TUM1.yaml PATH/rgbd_dataset_freiburg1_desk PATH/rgbd_dataset_freiburg1_desk/associations.txt
运行后，会自动生成两个可视化页面，ORB-SLAM2 Current Frame 和 ORB-SLAM2 Map Viewer
运行完毕后，还在该终端目录下保存了轨迹文件KeyFrameTrajectory.txt
4.2 evo评估轨迹
4.2.1 载入和对比轨迹
把刚刚生成的轨迹文件KeyFrameTrajectory.txt，复制到rgbd_dataset_freiburg1_desk文件夹下，已有的groundtruth.txt 是轨迹真值，然后执行以下命令来载入两个轨迹，并进行可视化对比：
evo_traj tum KeyFrameTrajectory.txt --ref=groundtruth.txt -p --plot_mode=xyz --align --correct_scale
可视化界面：
trajectories 结果图：（3D 可旋转查看）
xyz_view示意图：
rpy_view示意图：
4.2.2 计算绝对轨迹误差
evo工具还支持计算绝对位姿误差，用以下命令：
evo_ape tum groundtruth.txt KeyFrameTrajectory.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
运行后：
APE w.r.t. translation part (m)
(with Sim(3) Umeyama alignment)
max 0.038386
mean 0.014992
median 0.013090
min 0.003838
rmse 0.017071
sse 0.016320
std 0.008165
可视化界面：
raw示意图：
map示意图：（3D 可旋转查看）
至此，成功用evo评估工具来评估RGB-D ORB-SLAM2生成的TUM开源数据轨迹和真值轨迹。
ORB-SLAM2学习笔记系列：
ORB-SLAM2学习笔记1之Ubuntu20.04+ROS-noetic安装ORB-SLAM2
Reference:
- https://github.com/raulmur/ORB_SLAM2
- https://github.com/MichaelGrupp/evo
- https://cvg.cit.tum.de/data/datasets/rgbd-dataset/download
⭐️👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍🌔
