一、轨迹评估概述：为什么需要评估？
做多传感器融合，最怕什么？
怕算法跑起来看着挺稳，一上真机就翻车。
我入行那会儿，有个项目做视觉惯性紧耦合，室内跑得飞起，结果到室外大场景，轨迹直接飘到隔壁楼去了。当时我就意识到——没有评估，你根本不知道算法到底行不行。
说白了，轨迹评估就是给SLAM系统做「体检」。你得知道它哪里强、哪里弱，才能有针对性地优化。我个人习惯，每次跑完一个数据集，第一件事就是看轨迹误差曲线，而不是看那些花里胡哨的建图效果。
1.1 为什么需要评估？
原因其实就三点：
- 验证精度：你的定位误差是厘米级还是米级？没有真值对比，一切都是玄学。
- 发现短板：是旋转时容易飘，还是快速运动时跟丢？评估能帮你定位问题。
- 横向对比：你的算法比ORB-SLAM3好多少？比VINS-Mono差在哪？数据说话。
核心观点：没有评估的SLAM，就像没有仪表盘的飞机——你觉得自己在飞，其实在坠落。
1.2 评估的核心指标
业内公认的两个指标：ATE（绝对轨迹误差）和 RPE（相对位姿误差）。
我刚开始做评估时，也搞不清这两个指标的区别。后来踩过坑才明白——它们看问题的角度完全不同。
ATE：绝对轨迹误差
ATE衡量的是整条轨迹的全局一致性。说白了，就是你的估计轨迹和真实轨迹之间，每个时刻的位置差有多大。
计算公式很简单：
ATE = sqrt( 1/N * Σ ||trans(Est_i) - trans(GT_i)||² )其中 trans() 表示提取位姿的平移部分。注意，这里需要先做一次轨迹对齐——因为你的估计轨迹和真值轨迹可能不在同一个坐标系下。
我的经验：ATE对长时间漂移非常敏感。如果你发现ATE很大，但RPE很小，说明你的算法有累积误差问题，可能是回环检测没做好。
RPE：相对位姿误差
RPE衡量的是局部一致性。它计算的是固定时间间隔（比如1秒）内，位姿变化的误差。
公式长这样：
RPE = sqrt( 1/N * Σ || (Est_i⁻¹ * Est_{i+Δt})⁻¹ * (GT_i⁻¹ * GT_{i+Δt}) ||² )嗯，看着有点复杂。但你想想看，它其实就是在问：「你这1秒内的运动，和真值差多少？」
| 指标 | 关注点 | 典型用途 |
|---|---|---|
| ATE | 全局漂移 | 评估回环、全局优化效果 |
| RPE | 局部抖动 | 评估里程计、IMU预积分质量 |
避坑指南：我曾经在评估一个视觉SLAM时，ATE看起来很好，但实际建图效果很差。后来发现是因为真值轨迹本身就有误差——所以评估前，一定要确认真值的质量。
1.3 评估流程总览
整个评估流程，我习惯分成四步走：
- 数据准备：拿到估计轨迹和真值轨迹，确保时间戳对齐。
- 轨迹对齐：用Umeyama算法或Sim(3)变换，把两条轨迹对齐到同一坐标系。
- 误差计算：按公式计算ATE和RPE，生成统计量（均值、中位数、RMSE、标准差）。
- 可视化分析：画轨迹对比图、误差分布图、随时间变化曲线。
下面这张图，是我自己总结的评估流程框架：
1.4 评估工具推荐
工欲善其事，必先利其器。我常用的评估工具有：
- evo：Python写的，支持TUM、KITTI、EuRoC格式，ATE/RPE一键出图。我个人最常用。
- rpg_trajectory_evaluation：ETH Zurich出品，功能强大，但配置稍复杂。
- MATLAB：如果你习惯用MATLAB，自己写个评估脚本也不难。
小技巧：用evo时，记得加 --align 参数做轨迹对齐。我见过太多人忘了这步，然后跑来问为什么误差那么大...
1.5 本章小结
嗯，这一章我们聊了：
- 为什么需要评估——没有评估，你就是在盲人摸象
- 两个核心指标——ATE看全局，RPE看局部
- 评估流程——数据准备→轨迹对齐→误差计算→可视化
记住一句话：评估不是终点，而是优化的起点。拿到评估结果后，你得能看懂它想告诉你什么——这才是真正的功力。
下一章，我们会深入ATE和RPE的数学细节，包括怎么算、怎么解读、怎么避免常见的坑。到时候我会拿一个实际项目的数据出来，带大家手把手跑一遍。