01
轨迹评估概述
什么是轨迹评估、为什么需要、评估指标分类（绝对/相对）、常见数据集介绍
基础概念
02
坐标系与刚体运动
世界坐标系、机器人坐标系、旋转矩阵、四元数、欧拉角、齐次变换矩阵
数学坐标系
03
轨迹表示方法
时间戳序列、位姿列表、轨迹文件格式（TUM、KITTI、EuRoC）
格式数据
04
绝对轨迹误差（ATE）
ATE定义、计算方法、RMSE与均值、中位数指标
误差ATE
05
相对轨迹误差（RPE）
RPE定义、计算方法、平移与旋转误差分离
误差RPE
06
evo工具入门
evo安装（pip/源码）、evo基本命令、支持的数据格式
工具evo
07
evo轨迹可视化
evo_traj命令、绘制多轨迹、轨迹对齐、尺度缩放
可视化evo
08
evo误差分析
evo_ape命令、evo_rpe命令、误差统计与直方图
分析evo
09
evo结果导出
evo_res命令、生成表格、LaTeX报告、批量处理
导出报告
10
evo进阶技巧
自定义配置文件、多序列评估、与ROS bag集成
进阶evo
11
rpg_trajectory_evaluation工具
安装与配置、支持的数据集格式
工具RPG
12
rpg核心功能
轨迹对齐、误差计算、可视化报告
核心RPG
13
rpg批量评估
多算法对比、统计显著性检验
批量对比
14
TUM数据集评估实战
下载TUM RGB-D数据集、使用evo评估ORB-SLAM2
实战TUM
15
KITTI数据集评估实战
KITTI Odometry基准、评估VO/SLAM算法
实战KITTI
16
EuRoC数据集评估实战
EuRoC MAV数据集、评估VIO算法
实战EuRoC
17
OpenCV轨迹评估
使用cv2.solvePnP计算位姿、cv2.Rodrigues旋转向量
OpenCV位姿
18
Python手写ATE计算
从零实现轨迹对齐（Umeyama算法）、误差计算
PythonATE
19
Python手写RPE计算
实现相对位姿计算、时间戳匹配策略
PythonRPE
20
轨迹对齐算法
Umeyama算法原理、SVD求解、尺度估计
算法对齐
21
时间戳同步
线性插值、最近邻匹配、时间偏移估计
同步时间
22
可视化进阶
Matplotlib绘制3D轨迹、误差曲线、箱线图
可视化Matplotlib
23
统计指标详解
RMSE、均值、中位数、标准差、最大误差、最小误差
统计指标
24
多算法对比评估
设计对比实验、绘制误差累积分布图（CDF）
对比CDF
25
评估报告生成
自动生成PDF报告、包含图表与统计表格
报告PDF
26
SLAM评估标准
TUM RGB-D基准、KITTI Odometry基准、EuRoC基准
基准SLAM
27
VIO评估特殊问题
IMU与视觉对齐、重力对齐、尺度漂移评估
VIOIMU
28
评估中的常见陷阱
时间戳不同步、坐标系不一致、尺度模糊性
陷阱注意
29
自动化评估流水线
Shell脚本批量处理、Python自动化框架
自动化流水线
30
综合实战项目
设计完整评估流程、对比三种SLAM算法、撰写评估报告
项目综合