01
SLAM轨迹评估概述
为什么需要评估轨迹？绝对轨迹误差(ATE)与相对轨迹误差(RPE)的定义与区别。
概念ATE/RPE
02
坐标系与刚体变换基础
世界坐标系、相机坐标系、齐次坐标、李群与李代数基础。
数学李代数
03
轨迹表示与文件格式
TUM、KITTI、EuRoC数据集轨迹格式解析，时间戳对齐的重要性。
数据集格式
04
Python环境搭建与工具链
NumPy、SciPy、Matplotlib、evo、pytransform3d库安装与简介。
环境evo
05
刚体变换与姿态表示
旋转矩阵、四元数、欧拉角、旋转向量之间的转换，Python实现。
姿态转换
06
时间戳处理与插值
时间戳同步、线性插值、球面线性插值(SLERP)在轨迹对齐中的应用。
插值SLERP
07
Umeyama算法
点集配准与Sim(3)轨迹对齐，Python代码实现。
配准Sim(3)
08
绝对轨迹误差(ATE)计算
均方根误差(RMSE)、均值、中位数、标准差，Python实现。
ATERMSE
09
相对轨迹误差(RPE)计算
基于时间间隔与基于距离间隔的RPE，Python实现。
RPE局部
10
evo工具详解(上)
安装、基本使用、TUM与KITTI格式支持、轨迹可视化。
evo可视化
11
evo工具详解(下)
APE与RPE计算、多轨迹对比、统计结果输出、批量处理。
批量对比
12
轨迹对齐
Sim(3)对齐、SE(3)对齐、对齐对评估指标的影响分析。
对齐Sim(3)
13
可视化技巧
2D/3D轨迹绘制、误差分布直方图、箱线图、误差随距离/时间变化图。
绘图Matplotlib
14
统计指标深入理解
RMSE的局限性、百分位数、最大误差、误差分布形态分析。
统计分布
15
多传感器融合评估
视觉-惯性、激光-惯性SLAM的轨迹评估特点。
融合VI-SLAM
16
闭环检测对轨迹的影响
闭环前后轨迹误差对比分析，评估闭环一致性。
闭环一致性
17
尺度漂移评估
单目SLAM的尺度问题，尺度误差的量化与可视化。
尺度单目
18
局部一致性评估
基于里程计片段的局部精度分析，滑动窗口方法。
局部滑动窗口
19
全局一致性评估
长距离轨迹的漂移分析，回环后的全局校正效果。
全局漂移
20
评估基准数据集
TUM RGB-D、KITTI Odometry、EuRoC MAV数据集特点与评估协议。
基准数据集
21
自定义评估脚本
从零开始编写ATE/RPE计算器，支持多种轨迹格式。
脚本Python
22
批量评估与自动化
多序列、多算法自动评估脚本设计，结果汇总与排名。
自动化批量
23
评估结果的可重复性
随机种子、初始化对评估的影响，如何保证公平对比。
可重复公平
24
轨迹平滑与滤波
评估前是否需要平滑？高斯滤波、Savitzky-Golay滤波的影响。
滤波平滑
25
异常值处理
轨迹中的跳变点检测与剔除，对评估指标的影响。
异常值鲁棒
26
评估报告生成
自动生成LaTeX/HTML格式的评估报告，包含图表与统计表。
报告LaTeX
27
SLAM竞赛与排行榜
KITTI排行榜、TUM基准、ICRA竞赛的评估标准解读。
竞赛排行榜
28
评估中的常见陷阱
时间戳未对齐、坐标系不一致、单位错误、尺度问题。
陷阱避坑
29
高级话题：不确定性估计
轨迹不确定性估计、协方差传播、概率轨迹评估。
不确定性概率
30
综合实战项目
使用evo与自定义脚本对ORB-SLAM3、VINS-Mono、LIO-SAM进行完整评估对比。
实战对比