📚 课程目录第3章质量评估概述

3. 质量评估概述

轨迹质量评估是闭环验证工程中的“度量尺”。无论是自动驾驶、移动机器人、无人机还是室内定位系统，轨迹数据都来自多源传感器与估计算法的融合结果。若缺少统一的质量评估框架，团队往往只能凭经验判断“这条轨迹看起来还行”，却无法回答“它到底好在哪里、差在哪里、是否满足下游任务要求”。因此，本节从质量维度、评估指标、评估流程与典型应用场景四个层面，建立轨迹质量评估的整体认知。

核心目标：把“轨迹好不好”这一模糊问题，拆解为可定义、可计算、可对比、可追溯的量化评估体系，使评估结果能够直接服务于算法选型、参数调优、上线准入与故障复盘。

一、质量维度：从单一误差到多维画像

轨迹质量不能只用“误差大小”一个维度描述。工程上通常从以下五个维度建立质量画像：

精度（Accuracy）：轨迹与真值之间的偏差程度，包括绝对位置误差、相对位姿误差等，是最基础的维度。
一致性（Consistency）：估计轨迹与传感器观测、地图约束之间是否自洽，例如回环处是否闭合、重访区域是否重合。
鲁棒性（Robustness）：在光照变化、纹理缺失、动态遮挡、GNSS 失锁等退化场景下，轨迹是否仍能保持可用。
平滑性（Smoothness）：轨迹的连续性、曲率变化与抖动程度，直接影响控制模块的舒适性与稳定性。
实时性（Timeliness）：轨迹输出频率、延迟与计算资源占用，决定其能否满足在线闭环控制要求。

这五个维度并非彼此独立。例如，过度追求平滑性可能引入滞后，导致精度下降；过度依赖 GNSS 可能提升绝对精度，却在遮挡场景下牺牲鲁棒性。因此，质量评估的本质是在多维约束下寻找平衡，而非追求单一指标最优。

二、评估指标：把维度转化为可计算量

每个质量维度都需要落到具体指标。下表给出常用指标及其适用场景，便于在评估方案设计时快速选型。

质量维度	典型指标	计算要点	适用场景
精度	ATE、RPE、RMSE	ATE 衡量全局绝对误差，RPE 衡量局部相对误差	SLAM、里程计、组合导航
一致性	回环闭合误差、地图重合度	重访同一区域时轨迹与地图的偏差	建图、长期定位
鲁棒性	退化场景通过率、失锁恢复时间	统计失败次数与恢复耗时	隧道、地下车库、城市峡谷
平滑性	加加速度（Jerk）、曲率突变率	对轨迹做二阶或三阶差分	乘员舒适性、控制跟踪
实时性	输出频率、端到端延迟、CPU/GPU 占用	在目标硬件上实测统计	在线闭环控制、嵌入式部署

指标选择必须与任务目标对齐。例如，用于离线建图的轨迹更关注全局一致性与回环误差；用于实时控制的轨迹则更关注延迟、平滑性与局部相对精度。若指标与任务脱节，评估结果再精确也无法指导决策。

三、评估流程：从数据到结论的闭环

一个可复用的轨迹质量评估流程通常包含六个步骤：

明确评估目标：确定评估服务于算法选型、参数调优、上线准入还是故障复盘。
准备真值与数据：选择高精度参考系统（如 RTK、动捕、全站仪）或仿真真值，并完成时间同步与坐标对齐。
数据预处理：剔除异常帧、统一坐标系、插值对齐时间戳，避免因数据问题污染评估结论。
指标计算：按选定指标逐项计算，并记录分场景、分路段的结果，而非只给全局均值。
结果分析与归因：定位误差来源，区分是传感器退化、标定偏差、算法缺陷还是数据同步问题。
结论与反馈：输出评估报告，给出是否达标、改进方向与复测计划，形成闭环。

下面是一段典型的评估配置示例，用于说明指标与场景如何绑定：

evaluation:
  task: "urban_autonomous_driving"
  metrics:
    - name: ATE
      unit: m
      threshold: 0.35
    - name: RPE
      unit: m
      delta: 10
      threshold: 0.12
    - name: jerk_rms
      unit: m/s^3
      threshold: 1.5
  scenarios:
    - open_road
    - tunnel_gnss_denied
    - underground_parking
  report:
    per_scenario: true
    save_trajectory_plot: true

该配置强调“分场景评估”。若只统计全局 ATE，隧道段的严重退化可能被开阔路段的良好表现掩盖，导致上线后出现难以复现的问题。

四、典型应用场景与常见误区

轨迹质量评估在工程中主要服务于四类场景：

算法选型与对比：在相同数据集与相同指标下比较不同 SLAM、里程计或融合方案，避免“各说各话”。
参数调优：通过指标变化判断参数调整方向，例如提高观测权重是否改善回环一致性。
上线准入：设定阈值与场景通过率，作为版本发布的质量门禁。
故障复盘：结合日志与轨迹图，定位是数据同步、标定还是算法退化导致的问题。

常见误区：一是只看全局均值，忽略分场景与分路段表现；二是真值精度不足却用于评估高精度轨迹；三是时间同步未对齐就计算误差，导致指标虚高或虚低；四是把平滑性等同于精度，忽视轨迹是否真正贴近真实路径。

实践建议：评估报告应同时包含数值指标、轨迹对比图与失败片段标注。数值回答“差多少”，图形回答“差在哪里”，两者结合才能支撑有效决策。

综上，轨迹质量评估不是一次性的“打分”，而是一套贯穿数据、算法、场景与决策的工程方法。只有把质量维度定义清楚、把指标计算准确、把流程执行到位，并让评估结论真正回流到开发与验证环节，才能支撑闭环验证工程持续输出可信、可用的轨迹结果。