1. 介绍

EVO是用于处理、评估和比较里程计和SLAM算法的轨迹输出的工具

2. 安装

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

3. 使用

3.1 注意

不同格式的数据不能同时显示
kitti: 数据,一行12个数据表位姿矩阵(R+T),数据举例如下:

//SE(3)
a b c d
e f g h
i j k l

3.2 样例数据说明

这里的ground_truth.txt保存的gnss的位姿矩阵,(3X4矩阵)
而laser_odom.txt保存的也是相同格式的位姿矩阵

3.3 使用

3.3.1 每段距离误差(相对位姿误差)

evo_rpe kitti ground_truth.txt laser_odom.txt -r trans_part --delta 100 --plot --plot_mode xyz

–delta 100 表示每隔100米统计一次误差(其实就是误差百分比)

结果

得到的统计指标:

最大误差: 48.902621%(起始点没做好)
平均误差: 3.123055%
最小误差: 0.418251%
RMSE: 7.655457%

3.3.2 总累计误差(绝对位姿误差)

evo_ape kitti ground_truth.txt laser_odom.txt -r full --plot --plot_mode xyz

结果

其中灰色部分就是累计误差.

最大值: 70.036478 m
平均值: 50.957249 m
RMSE: 51.867621 m

[KITTI] EVO评价前端里程计精度相关推荐

3D激光雷达SLAM算法学习03——前端里程计方案
1.本篇大纲 2.前端里程计综述解决的问题:由原始点云信息求解得到两个关键帧之间的相对位姿约束输入:原始点云信息输出:两个时刻之间的位姿关系 P = [R T] (4x4) 主流流程: 点云预处 ...
LOAM 代码部分的公式推导（前端里程计部分）
作者丨小飞@知乎来源丨https://zhuanlan.zhihu.com/p/404326817 编辑丨3D视觉工坊本篇主要介绍LOAM代码中有关lidar odometry部分对应的公式推导. ...
【多传感器融合定位SLAM专栏】前端里程计、IMU预积分、滤波、图优化推导与应用（3）
本专栏基于深蓝学院<多传感器融合定位>课程基础上进行拓展,对多传感器融合SLAM的学习过程进行记录文章目录第三章惯性导航原理及误差分析惯性器件 1. 机械陀螺 2. 激光陀螺 ME ...
深蓝学院-多传感器融合定位课程-第2章-3D激光里程计I
专栏文章: 深蓝学院-多传感器融合定位课程-第1章-概述_goldqiu的博客-CSDN博客 github保存了相关代码和学习笔记: Shenlan-Course-Multi-Sensor-Fusio ...
LOAM：实时的雷达里程计和建图
之前对视觉SLAM主要的开源框架,ORB-SLAM2.SVO等进行了介绍,然后疫情期间对VINS-Mono进行了详细的源码解析,接下来考虑到工作原因需要用到激光雷达.GNSS.IMU等多传感器融合,所 ...
面向固态激光雷达和惯导的里程计和建图
点云PCL免费知识星球,点云论文速读. 文章:Towards High-Performance Solid-State-LiDAR-Inertial Odometry and Mapping 作者:K ...
自动驾驶场景下的高效激光里程计
标题:Efficient LiDAR Odometry for Autonomous Driving 作者:Xin Zheng, Jianke Zhu, Senior Member, IEEE Zhe ...
面向自动驾驶车辆的高效激光里程计（ICRA2021）
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达作者丨泡泡机器人来源丨泡泡机器人SLAM Efficient LiDAR Odometry for ...
LiLi-OM: 走向高性能固态激光雷达惯性里程计和建图系统
点击上方"计算机视觉工坊",选择"星标" 干货第一时间送达编辑丨当SLAM遇见小王同学声明: 本文只是个人学习记录,侵权可删.论文版权与著作权等全归原作者所 ...

[KITTI] EVO评价前端里程计精度

言以, 事以

1. 介绍

2. 安装

3. 使用

3.1 注意

3.2 样例数据说明

3.3 使用

3.3.1 每段距离误差(相对位姿误差)

结果

3.3.2 总累计误差(绝对位姿误差)

结果

[KITTI] EVO评价前端里程计精度相关推荐

最新文章

热门文章