視覺SLAM基礎：演算法精度評價指標KITTI odometry evaluation tool篇
上篇文章介紹了TUM RGB-D資料集主張使用的SLAM精度指標，這篇文章來補充一下KITTI資料集提供評價工具KITTI_odometry_evaluation_tool所使用的指標含義，假設你已經看過了上篇文章並瞭解了相對位姿誤差RPE的含義，KITTI使用的metric（以下簡稱kitti metric）將會非常容易理解。
計算公式
首先kitti metric是一種針對室外自動駕駛里程計精度的評價指標，因為它屬於相對位姿誤差的一種，與On Measuring the Accuracy of SLAM Algorithms一文中提出的計算相隔固定距離兩幀的相對位姿誤差有兩點不同，第一，KITTI metric將translation error和rotation error分別計算；第二，選擇了［100， 200， 。。。， 800］米八種距離間隔計算相對位姿誤差，取其平均值。
和
表示相隔固定距離兩幀的下標，
表示這個固定距離，在程式碼中設定為［100， 200， 。。。， 800］（m），
、
分別表示取
的旋轉和平移量。
表示計算兩幀之間的相對位姿變換，
即表示從第
幀到第
幀的位姿變換。
與
分別表示位姿的估計值與真實值。 我們可以看到kitti metric獨特的一點是它將軌跡的長度納入了metric中，這使得最終的誤差結果有了比較清楚的物理意義。
關鍵程式碼
def
rotationError
（
self
，
pose_error
）：
a
=
pose_error
［
0
，
0
］
b
=
pose_error
［
1
，
1
］
c
=
pose_error
［
2
，
2
］
d
=
0。5
*
（
a
+
b
+
c
-
1。0
）
return
np
。
arccos
（
max
（
min
（
d
，
1。0
），
-
1。0
））
def
translationError
（
self
，
pose_error
）：
dx
=
pose_error
［
0
，
3
］
dy
=
pose_error
［
1
，
3
］
dz
=
pose_error
［
2
，
3
］
return
np
。
sqrt
（
dx
**
2
+
dy
**
2
+
dz
**
2
）
# 遍歷全部固定距離兩端位姿對應的的相對位姿誤差，計算它們的誤差。
def
calcSequenceErrors
（
self
，
poses_gt
，
poses_result
）：
err
=
［］
self
。
max_speed
=
0
# pre-compute distances （from ground truth as reference）
dist
=
self
。
trajectoryDistances
（
poses_gt
）
# every second， kitti data 10Hz
self
。
step_size
=
10
# for all start positions do
# for first_frame in range（9， len（poses_gt）， self。step_size）：
for
first_frame
in
range
（
0
，
len
（
poses_gt
），
self
。
step_size
）：
# for all segment lengths do
for
i
in
range
（
self
。
num_lengths
）：
# current length
len_
=
self
。
lengths
［
i
］
# compute last frame of the segment
last_frame
=
self
。
lastFrameFromSegmentLength
（
dist
，
first_frame
，
len_
）
# Continue if sequence not long enough
if
last_frame
==
-
1
or
not
（
last_frame
in
poses_result
。
keys
（））
or
not
（
first_frame
in
poses_result
。
keys
（））：
continue
# compute rotational and translational errors， relative pose error （RPE）
pose_delta_gt
=
np
。
dot
（
np
。
linalg
。
inv
（
poses_gt
［
first_frame
］），
poses_gt
［
last_frame
］）
pose_delta_result
=
np
。
dot
（
np
。
linalg
。
inv
（
poses_result
［
first_frame
］），
poses_result
［
last_frame
］）
pose_error
=
np
。
dot
（
np
。
linalg
。
inv
（
pose_delta_result
），
pose_delta_gt
）
r_err
=
self
。
rotationError
（
pose_error
）
t_err
=
self
。
translationError
（
pose_error
）
# compute speed
num_frames
=
last_frame
-
first_frame
+
1。0
speed
=
len_
/
（
0。1
*
num_frames
）
# 10Hz
if
speed
>
self
。
max_speed
：
self
。
max_speed
=
speed
err
。
append
（［
first_frame
，
r_err
/
len_
，
t_err
/
len_
，
len_
，
speed
］）
return
err
# 計算全部相對位姿誤差的平均值
def
computeOverallErr
（
self
，
seq_err
）：
t_err
=
0
r_err
=
0
seq_len
=
len
（
seq_err
）
for
item
in
seq_err
：
r_err
+=
item
［
1
］
t_err
+=
item
［
2
］
ave_t_err
=
t_err
/
seq_len
ave_r_err
=
r_err
/
seq_len
return
ave_t_err
，
ave_r_err
輸出含義
最終輸出結果的時候用了這兩行程式碼，ave_t_err本來的單位為m/m，乘100m後其含義為
平均100m會發生多少偏差
，如果等於1則表示每100m軌跡會產生1m的誤差。
需要注意的是程式碼打印出的RMSE這個表述應該是不對的
，誤差的統計量是平均值才對；對於ave_r_err，其含義
為每米產生的旋轉誤差
。
print （“Average sequence translational RMSE （%）： {0：。4f}”。format（ave_t_err * 100））
print （“Average sequence rotational error （deg/m）： {0：。4f}\n”。format（ave_r_err/np。pi * 180））
