第4章 评估工具evo：安装配置与基本使用
做SLAM定位的，手里没个趁手的评估工具，就像木匠没带刨子——活能干，但干不漂亮。今天要聊的evo，就是我这些年用得最顺手的轨迹评估工具。没有之一。
说实话，我刚入行那会儿，评估轨迹全靠自己写脚本。算个ATE（绝对轨迹误差）要折腾半天，画个图还得调matplotlib参数。后来发现了evo，嗯，真香。
4.1 evo是什么？为什么选它？
evo是一个专门用于SLAM轨迹评估的开源工具。它支持多种数据格式，能算各种误差指标，还能一键出图。说白了，就是帮你回答三个问题：
- 你的定位到底准不准？
- 漂移有多大？
- 哪个算法更好？
我个人习惯用evo来做算法对比。比如你同时跑了ORB-SLAM3和VINS-Fusion，想看看谁更靠谱。用evo，几分钟就能出结果，不用自己写一堆重复代码。
核心能力一览：
- 支持TUM、KITTI、EuRoC三种主流格式
- 计算ATE、RPE等关键指标
- 自动对齐轨迹（时间戳对齐、位姿对齐）
- 可视化：轨迹图、误差图、箱线图
4.2 安装与配置
安装evo其实很简单。我建议直接用pip装，省心。
# 基础安装
pip install evo
# 如果要用到全部功能（比如绘图增强）
pip install evo --upgrade
pip install matplotlib seaborn装完之后，验证一下：
evo_ape --help如果能看到帮助信息，说明装好了。
小提示：我建议在虚拟环境里装evo。因为evo依赖的numpy、matplotlib版本可能和你其他项目冲突。我曾经因为版本问题折腾了一下午，后来老老实实用venv隔离了。
如果你用的是ROS，还可以装evo的ROS扩展：
pip install evo[ros]这样可以直接读取rosbag里的轨迹话题，非常方便。
4.3 轨迹文件格式
做评估之前，得先搞清楚你的轨迹数据是什么格式。evo支持三种主流格式，我分别说一下。
4.3.1 TUM格式
TUM格式来自慕尼黑工业大学。它的特点是：每行一个位姿，包含时间戳和7维四元数。
# 格式：timestamp tx ty tz qx qy qz qw
1403636579.647200 1.0445 0.1245 0.0123 0.7045 -0.0123 0.7098 0.0023
1403636579.648200 1.0446 0.1246 0.0124 0.7046 -0.0124 0.7099 0.0024这种格式在学术界很常见。ORB-SLAM、DVO等经典算法都输出TUM格式。
注意：TUM格式的时间戳单位是秒。我遇到过有人把毫秒当秒传进去，结果轨迹对不上，误差大得离谱。检查一下你的时间戳单位。
4.3.2 KITTI格式
KITTI格式来自自动驾驶数据集。它没有时间戳，只有位姿矩阵。
# 格式：3x4变换矩阵（12个数字）
1.0 0.0 0.0 0.0
0.0 1.0 0.0 0.0
0.0 0.0 1.0 0.0每行12个数字，组成一个3x4的变换矩阵。注意，KITTI格式没有时间戳，所以不能做时间戳对齐。
我在做自动驾驶项目时经常用KITTI格式。它的好处是数据紧凑，但缺点也很明显——没法处理时间戳漂移的问题。
4.3.3 EuRoC格式
EuRoC格式来自ETH的无人机数据集。它和TUM类似，但多了一个协方差矩阵。
# 格式：timestamp tx ty tz qx qy qz qw 协方差(可选)
1403636579.647200 1.0445 0.1245 0.0123 0.7045 -0.0123 0.7098 0.0023 0.01 0.0 0.0 0.0 0.0 0.0协方差矩阵可以用来评估位姿的不确定性。不过说实话，大部分SLAM算法输出的协方差都不太准，我一般直接忽略。
4.4 基本命令使用
evo的核心命令就几个，我一个个说。
4.4.1 绝对轨迹误差（ATE）
ATE衡量的是估计轨迹和真值轨迹之间的整体偏差。说白了，就是看你的轨迹整体上偏了多少。
# 计算ATE
evo_ape tum groundtruth.txt estimated.txt -a
# 输出结果并画图
evo_ape tum groundtruth.txt estimated.txt -a --plot --plot_mode xyz-a参数表示自动对齐轨迹。这个很重要，因为你的估计轨迹和真值轨迹可能不在同一个坐标系下。
输出示例：
APE w.r.t. translation part (m)
max: 0.4523
mean: 0.2134
median: 0.1987
min: 0.0234
rmse: 0.2456
sse: 12.3456
std: 0.1123我一般主要看rmse和mean。rmse对大的误差更敏感，能反映出偶尔的跳变。
4.4.2 相对位姿误差（RPE）
RPE衡量的是局部漂移。它计算的是每隔一定距离或时间，轨迹的局部偏差。
# 计算RPE，每隔1米计算一次
evo_rpe tum groundtruth.txt estimated.txt -d 1.0 -a
# 每隔100帧计算一次
evo_rpe tum groundtruth.txt estimated.txt -d 100 --delta_unit f -aRPE能反映出你的算法在局部有没有抖动。比如VIO算法在快速转弯时，RPE往往会变大。
我的经验：评估VIO算法时，我习惯同时看ATE和RPE。ATE反映整体漂移，RPE反映局部抖动。如果ATE小但RPE大，说明算法整体还行但局部不稳定，可能是IMU标定有问题。
4.4.3 轨迹可视化
光看数字不够直观，还得画图。evo的绘图功能很强大。
# 画轨迹图
evo_traj tum estimated.txt --ref=groundtruth.txt -a --plot_mode=xyz
# 同时画多条轨迹对比
evo_traj tum est1.txt est2.txt --ref=groundtruth.txt -a --plot_mode=xyz这个功能我经常用。比如对比ORB-SLAM3和VINS-Fusion，把两条轨迹和真值画在一起，一眼就能看出谁更准。
4.4.4 结果汇总与对比
evo还能把多个结果汇总在一起，方便对比。
# 生成对比表格
evo_res results1.zip results2.zip --plot这个命令会把多个评估结果放在一起，生成箱线图。我在写论文时经常用这个功能，一张图就能展示所有算法的对比结果。
4.5 避坑指南
用evo这几年，我踩过不少坑。分享几个最常见的：
坑1：时间戳对齐失败
我曾经遇到过估计轨迹和真值轨迹的时间戳对不上，导致评估结果完全错误。后来发现是时间戳的精度不一致——一个是微秒，一个是纳秒。解决办法是用--t_max_diff参数调整最大时间差。
evo_ape tum gt.txt est.txt -a --t_max_diff 0.01坑2：坐标系不一致
不同SLAM算法输出的坐标系可能不一样。比如有的用右手系，有的用左手系。如果不做对齐，ATE会大得离谱。记得加-a参数做自动对齐。
坑3：数据格式错误
我见过有人把KITTI格式当成TUM格式传进去，结果解析失败。检查一下你的数据格式，用evo_traj命令先看一眼。
evo_traj tum your_file.txt --info4.6 本章小结
evo是我工具箱里最常用的工具之一。它简单、高效、功能齐全。你只要记住：
- 安装用pip，省心
- 三种格式要分清：TUM带时间戳和四元数，KITTI只有矩阵，EuRoC多了协方差
- ATE看整体漂移，RPE看局部抖动
- 画图用
--plot，对比用evo_res
嗯，掌握了这些，你就能用evo做基本的轨迹评估了。下一节我们会深入讲怎么用evo做更高级的分析，比如多段轨迹拼接、传感器延迟补偿等。但先把基础打牢，别急着跳。
一句话总结：evo是SLAM评估的瑞士军刀。装好它，学会它，你的定位算法评估效率至少提升一倍。