3. 相对轨迹误差（RPE）：定义、计算方法与ATE的区别
聊完了ATE，咱们来看看另一个关键指标——RPE。
说实话，我刚入行那会儿，总觉得ATE一个指标就够了。直到有一次做视觉SLAM的闭环检测评估，ATE显示误差很小，但地图就是飘得厉害。后来才发现，RPE才是揪出这个问题的关键。
3.1 RPE到底在衡量什么？
RPE的全称是Relative Pose Error，相对位姿误差。
它衡量的是：在一段固定时间间隔内，估计轨迹的位姿变化量与真实位姿变化量之间的差异。
你想想看，ATE看的是整体漂移，而RPE看的是局部抖动。说白了，RPE更关心你的算法在短时间内的表现——比如每秒钟、每两秒钟，轨迹的局部一致性好不好。
核心思想：RPE = 局部时间窗口内的位姿变化误差
ATE = 全局轨迹的整体对齐误差
3.2 RPE的计算方法
计算RPE其实不复杂，我习惯分三步走：
- 选取时间间隔：通常取 Δ = 1秒（对应帧率）
- 计算相对位姿：对估计轨迹和真实轨迹，分别计算相隔Δ的两帧之间的位姿变换
- 求误差：比较这两个相对变换的差异
公式长这样：
E_i = (Q_i^{-1} * Q_{i+Δ})^{-1} * (P_i^{-1} * P_{i+Δ})其中：
- P_i 是估计轨迹的第i个位姿
- Q_i 是真实轨迹的第i个位姿
- Δ 是时间间隔
然后，RPE通常取所有E_i的RMSE（均方根误差）：
RPE = sqrt( 1/N * Σ ||trans(E_i)||² )这里只取了平移部分的误差。旋转误差也可以单独算，但实践中平移RPE用得最多。
我的经验：Δ的选取很关键。Δ=1适合评估帧间一致性，Δ=30则能看出长时漂移。我一般会跑多个Δ值，画成曲线图来看整体趋势。
3.3 一个具体的计算例子
假设我们有3个时间戳的轨迹数据：
| 时间戳 | 真实位姿 (x, y, θ) | 估计位姿 (x, y, θ) |
|---|---|---|
| t=0 | (0, 0, 0°) | (0, 0, 0°) |
| t=1 | (1, 0, 0°) | (1.1, 0.05, 2°) |
| t=2 | (2, 0, 0°) | (2.15, 0.12, 3°) |
取Δ=1，计算t=0到t=1的相对变换：
- 真实相对变换：向右移动1米，旋转0°
- 估计相对变换：向右移动约1.1米，旋转2°
- 误差：平移误差 ≈ 0.1米，旋转误差 ≈ 2°
同理计算t=1到t=2的误差，然后取RMSE，就得到了RPE值。
3.4 RPE与ATE的核心区别
这个问题我经常被问到。咱们直接上对比：
| 对比维度 | ATE | RPE |
|---|---|---|
| 衡量什么 | 全局轨迹的整体漂移 | 局部时间窗口内的相对误差 |
| 是否需要对齐 | 需要（先做轨迹对齐） | 不需要（直接比较相对变换） |
| 对闭环敏感度 | 高（闭环后ATE会骤降） | 中等（闭环改善局部一致性） |
| 对高频抖动敏感度 | 低（被全局平均掩盖） | 高（直接反映帧间抖动） |
| 典型应用场景 | 评估整体建图精度 | 评估里程计/前端稳定性 |
注意：千万不要只看ATE就下结论。我曾经有一个项目，ATE只有0.05米，但RPE高达0.3米/秒。结果就是地图整体看着还行，但机器人走起来一抖一抖的，根本没法用。
3.5 什么时候该用RPE？
我个人总结了几条经验：
- 评估里程计：RPE是首选。里程计没有全局优化，ATE意义不大。
- 对比不同前端：比如ORB特征 vs. 光流法，RPE能看出谁的帧间估计更稳。
- 调试闭环检测：闭环前的RPE曲线能反映漂移积累速度。
- 传感器融合评估：IMU+视觉 vs. 纯视觉，RPE能看出融合后是否更平滑。
避坑指南：我曾经犯过一个错误——用RPE去评估一个带全局优化的SLAM系统。结果RPE很小，但ATE很大。后来才意识到，全局优化会拉平局部误差，但整体漂移可能还在。所以，RPE和ATE要搭配着看。
3.6 知识体系小结
来，我画了一张图，帮你理清RPE在整个轨迹评估中的位置：
从这张图可以看得很清楚：ATE和RPE是互补的，一个看全局，一个看局部。做SLAM评估时，我建议两个指标都算，然后综合判断。
嗯，RPE的内容就到这里。记住一句话：ATE告诉你地图准不准，RPE告诉你轨迹稳不稳。两者缺一不可。
一句话总结：RPE是局部时间窗口内的相对位姿误差，擅长捕捉帧间抖动和里程计漂移，与ATE形成互补。
可可精品资料库