2. 轨迹精度基础：概念、指标与等级划分
做轨迹分析这些年，我见过太多人一上来就扔出一堆误差数字，然后说「我的算法精度很高」。但你问他高在哪、怎么衡量的，往往就说不清了。说白了，轨迹精度这件事，你得先搞清楚三个问题：什么是精度？用什么量？量完了怎么评价？
2.1 轨迹精度到底是什么？
先聊个我踩过的坑。几年前做无人机航迹分析，我拿了一组RTK真值数据，跟算法输出的轨迹一对比，发现最大偏差才0.3米。当时挺高兴，觉得精度不错。结果后来发现，这0.3米只是在直线段的表现，到了转弯处误差直接飙到2米多。
所以你看，轨迹精度不是单一数字能概括的。它反映的是：算法输出的轨迹，跟真实轨迹之间的接近程度。这个「接近」包含三个层面：
- 位置接近：每个时间点上的坐标偏差有多大
- 形态接近：整条轨迹的形状、趋势是否一致
- 时序接近：时间戳对齐后，轨迹点的对应关系是否准确
我个人习惯把精度分为「绝对精度」和「相对精度」。绝对精度看的是跟真值的差距，相对精度看的是轨迹内部点与点之间的相对关系。嗯，这两个概念后面会反复用到。
2.2 三个核心评价指标
评价轨迹精度，最常用的就是RMSE、MAE和最大误差。我一个个说。
2.2.1 RMSE（均方根误差）
RMSE是业界最常用的指标，没有之一。它的计算方式很简单：
RMSE = sqrt( (1/n) * Σ(ŷᵢ - yᵢ)² )其中ŷᵢ是估计值，yᵢ是真值，n是样本数。
为什么大家都爱用RMSE？因为它对大的误差特别敏感。你想想看，误差先平方再开方，一个2米的误差贡献是1米误差的4倍。这在轨迹分析中很有用——我们往往最怕的就是偶尔出现的「飞点」或「野值」。
重要提醒：RMSE的单位跟原始数据一致。如果轨迹坐标是经纬度，RMSE就是度；如果是UTM坐标，RMSE就是米。千万别混用。
2.2.2 MAE（平均绝对误差）
MAE比RMSE更直观：
MAE = (1/n) * Σ|ŷᵢ - yᵢ|说白了就是所有误差绝对值的平均值。它不像RMSE那样放大大的误差，所以能更「公平」地反映整体水平。
我在项目中遇到过这样的情况：某算法RMSE只有0.5米，但MAE却有0.4米。这说明什么？说明大部分点误差在0.4米左右，但偶尔有几个点误差很大，把RMSE拉高了。这时候就要去查那几个大误差点是怎么回事。
2.2.3 最大误差（Max Error）
这个最简单，就是所有误差中的最大值：
Max Error = max(|ŷᵢ - yᵢ|)别小看这个指标。我记得有一次做车载导航轨迹评估，RMSE和MAE都很好看，但最大误差达到了8米。后来一查，是经过高架桥下时GPS信号丢失，算法用惯性推算补了一段，结果偏了。如果只看RMSE，这个问题根本发现不了。
避坑指南：我曾经只盯着RMSE优化，结果算法在99%的场景下表现很好，但剩下1%的场景误差极大。后来我养成了习惯：每次评估必须同时看RMSE、MAE和最大误差，缺一不可。
2.3 精度等级怎么划分？
精度等级没有统一标准，不同场景要求天差地别。我根据多年经验，给出一套常用的划分方式：
| 等级 | RMSE范围 | 适用场景 | 典型技术 |
|---|---|---|---|
| 优 | < 0.5 m | 自动驾驶、高精地图 | RTK、激光SLAM |
| 良 | 0.5 ~ 2.0 m | 行人导航、无人机巡检 | 视觉SLAM、融合定位 |
| 中 | 2.0 ~ 10.0 m | 车辆导航、运动轨迹 | GPS+IMU、WiFi定位 |
| 差 | > 10.0 m | 粗略估计、区域判断 | 基站定位、单点GPS |
注意，这只是参考。你想想看，室内定位的「优」可能只需要1米，而卫星轨道的「优」得是厘米级。所以划分等级时，一定要结合你的业务场景。
2.4 知识体系总览
下面这张图把本章的核心逻辑串起来了。我建议你多看几遍，理解每个概念之间的关系。
我的小建议：刚开始做轨迹精度分析时，别急着上复杂指标。先把RMSE、MAE和最大误差这三个基础指标用熟。等你对数据有了感觉，再考虑加什么CEP（圆概率误差）、ADE（平均距离误差）之类的进阶指标。
好了，这一章的内容就这些。记住：精度不是数字游戏，它背后反映的是你的算法到底能不能用、好不好用。下次评估轨迹时，不妨多问自己一句：这个误差，在我的场景下能接受吗？