TUM数据集官方说明相应的评估文件evaluate_rpe.py和evaluate_ate.py的使用
一.TUM数据集使用方法
TUM数据集的格式解读地址：https://vision.in.tum.de/data/datasets/rgbd-dataset/file_formats
TUM的RGBD数据集地址： https://vision.in.tum.de/data/datasets/rgbd-dataset/download
文件格式
我们以以下格式提供来自Kinect的RGB-D数据集:
彩色图像和深度地图
我们以gzip格式的tar文件(TGZ)提供带有时间戳的颜色和深度图像。
彩色图像以PNG格式存储为640x480 8位RGB图像。
深度图存储为640x480的16位单色图像PNG格式。
颜色和深度图像已经使用PrimeSense的OpenNI驱动程序预先注册，也就是说，颜色和深度图像中的像素已经对应为1:1。
深度图像按5000的倍数进行缩放，即深度图像中的像素值为5000，对应的距离为相机1米，10000就是2米的距离等。像素值为0表示缺失值/无数据。
真实轨迹
我们将groundtruth轨迹提供为包含摄像机在固定坐标系中的平移和方向的文本文件。请注意，我们的自动评估工具也期望地面真相和估计轨迹都是这种格式。
文本文件中的每一行都包含一个姿势。
每一行的格式为’timestamp tx ty tz qx qy qz qw’
timestamp (float)给出了自Unix时代以来的秒数。
Tx ty tz(3浮动)给出彩色摄像机的光学中心相对于运动捕捉系统定义的世界原点的位置。
Qx qy qz qw(4浮动)给出了彩色摄像机的光学中心的方向，其形式是相对于由运动捕捉系统定义的世界原点的四元数。
该文件可能包含必须以“#”开头的注释。
Kinect固有摄像头校准
Kinect内置了基于高阶多项式翘曲函数的工厂校准。OpenNI驱动程序使用这种校准来校正图像，并将深度图像(由红外相机拍摄)记录到RGB图像中。因此，我们的数据集中的深度图像被重投影到彩色相机的帧中，这意味着深度图中的像素与彩色图像之间存在1:1的对应关系。
从2D图像到3D点云的转换过程如下。注意，焦距(fx/fy)，光学中心(cx/cy)，失真参数(d0-d4)和深度校正因子对于每个相机都是不同的。下面的Python代码演示了如何从像素坐标和深度值计算3D点:
注意，上面的脚本使用默认的(未校准的)内在参数。fr1和fr2数据集中使用的kinect的内在参数如下:（原文截图）
注意，Freiburg 3 的颜色和红外图像都已经经过了未畸变处理，因此畸变参数均为零。原始的失真值可以在tgz文件中找到。
注意:我们建议使用ROS默认参数集(即不失真)，因为预配深度图像的失真并非易事。
ROS袋
对于使用ROS的用户，我们还提供ROS包文件，其中包含彩色图像、单色图像、深度图像、相机信息、点云和变换——包括来自/world框架的groundtruth变换，所有这些都在一个文件中。包文件(ROS diamondback)包含以下消息主题:
二.估文件evaluate_rpe.py和evaluate_ate.py的使用
1.文件下载地址
evaluate_rpe.py地址：
https://svncvpr.in.tum.de/cvpr-ros-pkg/trunk/rgbd_benchmark/rgbd_benchmark_tools/src/rgbd_benchmark_tools/evaluate_rpe.py
evaluate_ate.py 地址：
https://svncvpr.in.tum.de/cvpr-ros-pkg/trunk/rgbd_benchmark/rgbd_benchmark_tools/src/rgbd_benchmark_tools/evaluate_ate.py 2.说明
翻译地址：https://vision.in.tum.de/data/datasets/rgbd-dataset/tools#evaluation
在对Kinect的摄像机轨迹进行估计并保存到文件后，我们需要通过与地面真实值的比较来评估估计轨迹中的误差。有不同的误差度量。两种比较突出的方法是绝对轨迹误差法(ATE)和相对位姿误差法(RPE)。
该ATE非常适合于测量视觉SLAM系统的性能。
相比之下，RPE非常适合于测量视觉里程计系统的漂移，例如每秒的漂移。
对于这两个指标，我们提供了可以在这里下载的自动化评估脚本。请注意，在我们的网站上还有一个在线版本。两个轨迹必须存储在一个文本文件中(格式:‘timestamp tx ty tz qx qy qz qw’，更多信息)。为了进行比较，我们提供了一组RGBD-SLAM的轨迹。
（1）绝对轨迹误差(ate)
绝对轨迹误差直接测量真实轨迹和估计轨迹之间的点差。作为预处理步骤，我们使用时间戳将估计的姿态与地面真实姿态关联起来。在此基础上，我们利用奇异值分解对真实轨迹和估计轨迹进行对齐。最后，我们计算每对姿势之间的差值，并输出这些差值的平均值/中值/标准差。可选地，脚本可以将两条轨迹绘制为png或pdf文件。
usage: evaluate_ate.py [-h] [--offset OFFSET] [--scale SCALE][--max_difference MAX_DIFFERENCE] [--save SAVE][--save_associations SAVE_ASSOCIATIONS] [--plot PLOT][--verbose]first_file second_fileThis script computes the absolute trajectory error from the ground truth
trajectory and the estimated trajectory.positional arguments:first_file first text file (format: timestamp tx ty tz qx qy qzqw)second_file second text file (format: timestamp tx ty tz qx qy qzqw)optional arguments:-h, --help show this help message and exit--offset OFFSET time offset added to the timestamps of the second file(default: 0.0)--scale SCALE scaling factor for the second trajectory (default:1.0)--max_difference MAX_DIFFERENCEmaximally allowed time difference for matching entries(default: 0.02)--save SAVE save aligned second trajectory to disk (format: stamp2x2 y2 z2)--save_associations SAVE_ASSOCIATIONSsave associated first and aligned second trajectory todisk (format: stamp1 x1 y1 z1 stamp2 x2 y2 z2)--plot PLOT plot the first and the aligned second trajectory to animage (format: png)--verbose print all evaluation data (otherwise, only the RMSEabsolute translational error in meters after alignmentwill be printed)
（2）相对姿态误差(rpe)
为了计算相对姿态误差，我们提供了一个脚本“evaluate_rpe.py”。这个脚本计算时间戳对之间相对运动的误差。默认情况下，脚本会计算估计轨迹文件中所有时间戳对之间的误差。由于估计轨迹中时间戳对的数量是轨迹长度的二次元，因此将该集合向下采样到一个固定的数字(-max_pairs)是有意义的。或者，也可以选择使用固定的窗口大小(-fixed_delta)。在这种情况下，估计轨迹中的每个姿态都会根据窗口大小(-delta)和单位(-delta_unit)与之后的姿态相关联。这种评价技术对估计漂移是有用的。
usage: evaluate_rpe.py [-h] [--max_pairs MAX_PAIRS] [--fixed_delta][--delta DELTA] [--delta_unit DELTA_UNIT][--offset OFFSET] [--scale SCALE] [--save SAVE][--plot PLOT] [--verbose]groundtruth_file estimated_fileThis script computes the relative pose error from the ground truth trajectory
and the estimated trajectory.positional arguments:groundtruth_file ground-truth trajectory file (format: "timestamp tx tytz qx qy qz qw")estimated_file estimated trajectory file (format: "timestamp tx ty tzqx qy qz qw")optional arguments:-h, --help show this help message and exit--max_pairs MAX_PAIRSmaximum number of pose comparisons (default: 10000,set to zero to disable downsampling)--fixed_delta only consider pose pairs that have a distance of deltadelta_unit (e.g., for evaluating the drift persecond/meter/radian)--delta DELTA delta for evaluation (default: 1.0)--delta_unit DELTA_UNITunit of delta (options: 's' for seconds, 'm' formeters, 'rad' for radians, 'f' for frames; default:'s')--offset OFFSET time offset between ground-truth and estimatedtrajectory (default: 0.0)--scale SCALE scaling factor for the estimated trajectory (default:1.0)--save SAVE text file to which the evaluation will be saved(format: stamp_est0 stamp_est1 stamp_gt0 stamp_gt1trans_error rot_error)--plot PLOT plot the result to a file (requires --fixed_delta,output format: png)--verbose print all evaluation data (otherwise, only the meantranslational error measured in meters will beprinted)3.实测使用EVO（参考文章：https://www.freesion.com/article/5474496382/）
- evo_traj:直接画出轨迹
(1)单独绘制轨迹：evo_traj tum KeyFrameTrajectory.txt -p
(2)将多个轨迹画到一起 : evo_traj tum KeyFrameTrajectory.txt CameraTrajectory2.txt --ref CameraTrajectory2.txt -va -p
或者： evo_traj tum KeyFrameTrajectory.txt CameraTrajectory2.txt --ref KeyFrameTrajectory.txt -va -p
参考的基准轨迹不一样，所以这俩个命令绘制出的轨迹不完全一样；
其中ref是参考轨迹，-va是对齐后的详细信息，-p是画出图像
(3)也可以使用–plot_mode {xy,xz,yx,yz,zx,zy,xyz}来选择单独绘制某个平面的信息
如：evo_traj tum KeyFrameTrajectory.txt CameraTrajectory2.txt --ref KeyFrameTrajectory.txt -va -p --plot_mode=xy
- evo_ape:绝对位姿误差的计算
evo_ape tum KeyFrameTrajectory.txt KeyFrameTrajectory.txt -va -p
使用ape的时候无需给出–ref 的文件，tum 后第一个文件即为标准文件，也就是：evo_ape tum 真实.txt 测试.txt -va -p
- evo_rpe:相对位姿误差的计算
evo_rpe tum KeyFrameTrajectory.txt KeyFrameTrajectory.txt -va -p
使用rpe的时候无需给出–ref 的文件，tum 后第一个文件即为标准文件，也就是：evo_rpe tum 真实.txt 测试.txt -va -p
- 其他参数
将文件保存为其他类型的文件，可以使用如下句柄
–save_as_tum save trajectories in TUM format (as *.tum)
–save_as_kitti save poses in KITTI format (as *.kitti)
–save_as_bag save trajectories in ROS bag as .bag
保存图片 --save_plot “保存的路径”
合并轨迹 --merge
给出数据的最大时间戳差异 --t_max_diff “具体差异”
TUM数据集官方说明相应的评估文件evaluate_rpe.py和evaluate_ate.py的使用相关推荐
- 使用evo工具评估ORB_SLAM2在TUM数据集上的运行轨迹
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 ...
- 【OpenPCDet】Kitti数据集下训练PointPillars并评估可视化
文章目录 前言 一.安装OpenPCDet 1.OpenPCDet安装要求 2.安装环境 3.Clone OpenPCDet项目 4.运行以下的命令安装pcdet库 二.运行OpenPCDet 1.数 ...
- 将TUM数据集制作成BundleFusion数据集
在上一篇文章中,我写到了如何将TUM数据生成BundleFusion所需要的数据集,生成的数据集如下图中所示.并且是将每一组数据的groundtruth.txt中的位姿数据写如到这里的pose文件中, ...
- TUM数据集制作BundleFusion数据集
BundleFusion的数据集中,在生成.sens文件之前,包括彩色图,深度图和一个位姿文件,并且这个pose文件中的位姿态是有变化的,所以我怀疑,推测,在这个pose文件中可以写入groundtr ...
- ROS下获取kinectv2相机的仿照TUM数据集格式的彩色图和深度图
准备工作: 1． ubuntu16.04上安装iai-kinect2, 2. 运行roslaunch kinect2_bridge kinect2_bridge.launch, 3. 运行 rosru ...
- 视觉SLAM——ORB-SLAM2运行tum数据集，kitti数据集，euroc数据集
添加环境变量 echo "source ~/catkin_orb_slam2_ws/devel/setup.bash" >> ~/.bashrc source ~/.b ...
- 编译高博ORBSLAM2_with_pointcloud_map，用TUM数据集测试。
1.下载源代码 git clone https://github.com/gaoxiang12/ORBSLAM2_with_pointcloud_map.git 2. cd ORBSLAM2_with ...
- 利用Realsense D435和Mocap制作TUM数据集
利用Realsense D435和Mocap制作TUM数据集 开门见山 步骤 开门见山 步骤 如果有Mocap,根据mocap系统指示获取Groundtruth,我实验室的mocap为optitrac ...
- CASIA-FaceV5亚洲人脸数据集以及对应的测试pairs文件
目录 一.前言 二.生成Pairs文件 三.下载资源 1.官网下载地址 2.百度网盘下载资源 一.前言 含有CASIA-FaceV5亚洲人脸数据集,以该数据集作为测试集所生成的同一人和不同人对应的测试 ...
最新文章
- dhtmlxgrid导出的js_dhtmlxgrid jsp标签
- Python之tkinter：动态演示调用python库的tkinter带你进入GUI世界(Menu的Command)
- c语言指针化简带分数,c语言带分数四则运算问题!!!要求被调函数,化简.
- Oracle EBS-SQL (PO-5):采购订单控制信息查询.sql
- linux islower_Python字符串islower（）
- Hadoop面试题（一）
- 使用AT指令与BC26进行socket通信
- vc++2015运行库32/64位安装包
- C语言关于素数个数的求法
- 百旺如何看是否清卡_百旺黑色税盘怎么清盘？
- 今年又互联网寒冬了！
- JS滑动滚动的n种方式
- win10蓝牙鼠标、耳机无法连接，无蓝牙开关标志解决方案
- C++用桌面图标系列之三【整理-时钟】
- 【伸手党福利】【第一弹】jeecg-boot前端主要更改位置（网站标题栏图标、logo、登录后的logo、显示的标题文字、用户头像）
- Scrapy学习过程之二：架构及简单示例
- PID控制算法实践应用（一）：PID算法的离散化
- 清华计算机专业考研经验分享
- 基于隐马尔科夫模型文本相似度问题研究
- 浅谈数据库用户表结构设计，第三方登录