ORB-SLAM3的Euroc数据集测试

2023-05-16

(一)测试运行

不同模式测试过程(以MH_03为例)

1、pure mono

运行SLAM:

cd ORB-SLAM3/Example

#run slam
./Monocular/mono_euroc ../Vocabulary/ORBvoc.txt ./Monocular/EuRoC.yaml "$pathDatasetEuroc"/MH03 ./Monocular/EuRoC_TimeStamps/MH03.txt dataset-MH03_mono

 利用ORB-SLAM3自带模块评估:

cd ORB-SLAM3/Example

#evaluate & plot
python ../evaluation/evaluate_ate_scale.py ../evaluation/Ground_truth/EuRoC_left_cam/MH03_GT.txt f_dataset-MH03_mono.txt --plot MH03_mono.pdf

运行结果(ORB_SLAM3_ate.rmse,scale,GT_ate.rmse): 

 由于单目的尺度未标定,故出现RMSE数值大的现象。

evo评估 (ate):

#plot trajct
evo_traj tum f_dataset-MH03_mono.txt --ref=MH03_groundtruth.txt -p -a -s


#evaluate ate
evo_ape tum f_dataset-MH03_mono.txt MH03_groundtruth.txt -p -a -s

运行结果: 

2、pure stereo

 运行SLAM:

cd ORB-SLAM3/Example

#run slam
./Stereo/stereo_euroc ../Vocabulary/ORBvoc.txt ./Stereo/EuRoC.yaml "$pathDatasetEuroc"/MH03 ./Stereo/EuRoC_TimeStamps/MH03.txt dataset-MH03_stereo

 利用ORB-SLAM3自带模块评估(ate):

cd ORB-SLAM3/Example

#evaluate & plot
python ../evaluation/evaluate_ate_scale.py ../evaluation/Ground_truth/EuRoC_left_cam/MH03_GT.txt f_dataset-MH03_stereo.txt --plot MH03_stereo.pdf

运行结果: 

evo评估 (ate):

#plot trajct
evo_traj tum f_dataset-MH03_stereo.txt --ref=MH03_groundtruth.txt -p -a -s


#evaluate ate
evo_ape tum f_dataset-MH03_stereo.txt MH03_groundtruth.txt -p -a -s

运行结果: 

轨迹图与投影图与上边基本一致,具体精度如下:

3、mono+IMU

  运行SLAM:

cd ORB-SLAM3/Example

#run slam
./Monocular-Inertial/mono_inertial_euroc ../Vocabulary/ORBvoc.txt ./Monocular-Inertial/EuRoC.yaml "$pathDatasetEuroc"/MH03 ./Monocular-Inertial/EuRoC_TimeStamps/MH03.txt dataset-MH03_mono_inertial

 利用ORB-SLAM3自带模块评估(ate):

cd ORB-SLAM3/Example

#evaluate & plot
python ../evaluation/evaluate_ate_scale.py ../evaluation/Ground_truth/EuRoC_left_cam/MH03_GT.txt f_dataset-MH03_mono_inertial.txt --plot MH03_mono_inertial.pdf

评估结果: 

evo评估 (ate):

#plot trajct
evo_traj tum f_dataset-MH03_mono_inertial.txt --ref=MH03_groundtruth.txt -p -a -s


#evaluate ate
evo_ape tum f_dataset-MH03_mono_inertial.txt MH03_groundtruth.txt -p -a -s

评估结果: 

4、stereo+IMU

   运行SLAM:

cd ORB-SLAM3/Example

#run slam
./Stereo-Inertial/stereo_inertial_euroc ../Vocabulary/ORBvoc.txt ./Stereo-Inertial/EuRoC.yaml "$pathDatasetEuroc"/MH03 ./Stereo-Inertial/EuRoC_TimeStamps/MH03.txt dataset-MH03_stereo_inertial

 利用ORB-SLAM3自带模块评估(ate):

cd ORB-SLAM3/Example

#evaluate & plot
python ../evaluation/evaluate_ate_scale.py ../evaluation/Ground_truth/EuRoC_left_cam/MH03_GT.txt f_dataset-MH03_stereo_inertial.txt --plot MH03_stereo_inertial.pdf

评估结果: 

evo评估 (ate):

#plot trajct
evo_traj tum f_dataset-MH03_stereo_inertial.txt --ref=MH03_groundtruth.txt -p -a -s


#evaluate ate
evo_ape tum f_dataset-MH03_stereo_inertial.txt MH03_groundtruth.txt -p -a -s

评估结果: 

(二)数据对比

ATE(全局误差)

由于:1.特征点提取后,要在distributeOctTree函数里用到了sort排序,应该是排序加入了不稳定因素,使得每次保留的特征点不一样;2.多线程:并行运行过程中,每次电脑的运行状况不同;3.算EPnP的ransac不是稳定的;导致每次运行结果都有变化,故以下结果中RMSE和SCALE取运行多次的均值。

数据运动特征模式

Max

(cm)

Min

(cm)

Median

(cm)

RMSE

(cm)

SCALE

MH_01

(easy)

length:80.6m

time:182s

回环多,速度慢

pure mono10.40.33.03.6--
pure stereo6.30.22.73.11
mono+IMU14.00.44.55.81
stereo+IMU14.70.45.16.21

MH_02

(easy)

length:73.4m

time:150s

回环多,速度慢

pure mono420.75.86.5--
pure stereo4.601.242.11
mono+IMU110.43.44.60.999
stereo+IMU8.80.12.73.81

MH_03

(medium)

length:130.9m

time:132s

回环多,距离长,速度快

pure mono25.30.13.44.3--
pure stereo9.60.21.92.51
mono+IMU130.65.46.30.995
stereo+IMU10.70.53.95.20.995

MH_04

(difficult)

length:91.7m

time:99s

回环少,速度快,中间有段环境光度变化大

pure mono40.52.18.813.2--
pure stereo25.71.19.512.751.008
mono+IMU27.81.811.515.550.986
stereo+IMU17.20.76.06.60.998

MH_05

(difficult)

length:97.5m

time:111s

与MH04相似

pure mono23.60.65.36.4--
pure stereo160.43.95.40.994
mono+IMU27.30.37.69.20.992
stereo+IMU17.41.47.48.50.991

本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)

ORB-SLAM3的Euroc数据集测试 的相关文章

随机推荐

  • 离子阱量子计算机

    1 新闻 2020年6月 xff0c 科技制造企业霍尼韦尔 xff08 Honeywell xff09 发布第一台离子阱量子计算机H0 xff0c 它拥有64量子体积 xff0c 它是IBM和谷歌同时期量子计算机的两倍 公司表示之所以能取得
  • ROS Melodic安装、配置和使用turtlebot2(集成众多源代码直接下载)

    已经有前辈将ubuntu14 04下的turtlebot教程翻译了过来 xff0c 可以先行查看 xff0c 对turtlebot的知识建立总体的认识 xff1a https www ncnynl com archives 201609 7
  • FreeRTOS学习 第一讲 操作系统的移植

    FreeRTOS学习 第一讲 操作系统的移植 基本介绍 xff1a 系统分类 1 xff09 前后台系统 while 1 循环 适用情况 xff08 简单和小的需求 处理需求相对来说较少 xff09 2 xff09 实时操作系统 实时操作系
  • Python调用playsound时报错:指定的设备未打开,或不被 MCI 所识别

    报错信息 xff1a Error 263 for command close audio mp3 指定的设备未打开 或不被 MCI 所识别 原因 xff1a windows不支持utf 16编码 xff0c 需修改playsound源码 p
  • 【无人机学习】Mission Planner(pc端)和QGroundControl(android端)

    无人机学习 Mission Planner xff08 pc端 xff09 和QGroundControl xff08 android端 xff09 系列文章目录 提示 xff1a 这里是收集了无人机的相关文章 无人机学习 无人机基础知识
  • 【无人机学习之QGroundControl】android端App初解4-遥控器通道

    无人机学习之QGroundControl android端App初解4 遥控器通道 系列文章目录 提示 xff1a 这里是收集了无人机的相关文章 无人机学习 无人机基础知识 无人机学习 Mission Planner xff08 pc端 x
  • 百度2014校园招聘 软件研发工程师 笔试题

    一 简答题 xff08 本题共30 xff09 1 动态链接库和静态链接库分别有什么优缺点 xff1f xff08 10 xff09 2 轮询任务调度与抢占式任务调度的区别 xff1f xff08 10 xff09 3 请列出数据库中常用的
  • Kubernetes 日志查询分析实践

    简介 xff1a 本文将介绍如何基于日志服务实现对 Kubernetes xff08 以下简称 K8s xff09 日志的采集以及查询分析 xff0c 此外 xff0c 还附带了对 Ingress Audit 方案的简要介绍 为了方便大家通
  • C++算法题

    目录 一 排序算法 1 冒泡排序 2 快速排序 3 归并排序 4 堆排序 5 插入排序 6 topK 二 二分查找 1 一维数组二分查找 2 二维数组二分查找 3 寻找旋转排序数组中的最小值 三 有序数组的平方 xff08 双指针法 xff
  • QT通过UDP分包传输大图像(测试可传6M)

    参考博客 UDP传数据每帧数据最大传64k xff0c 而图片文件一般远大于64K xff0c 此时就需要将图像数据分包传输 xff0c 接收端也分包接收 xff0c 直到整个图片数据都收到 xff0c 再进行其他处理 发送端 发送数据 v
  • github代码如何定位到历史版本(历史commit点)

    关于使用git在本地进行版本管理见linux下的版本管理 工作项目中git流程实操见git简明实操模板 想我们在写代码时候 xff0c 数次修改并提交commit xff0c 如果在这个过程中我们后悔了 xff0c 想回到当初的某一个com
  • Intel RealSense学习之图像及图像深度数据获取

    本文将介绍如何获取到彩色图像的深度信息 大家都知道我们可以从realsense 摄像头中获取到RGB数据 xff0c 红外数据 xff0c 以及图像的深度数据 至于图像的深度数据我的理解是realsense摄像投抓到的图像的相关距离信息 x
  • ROS机器人编程实践——读书笔记1

    目的 xff1a 写一个最小基于ROS的机器人控制软件 一 写一个运动命令流 xff0c 每秒10次 xff0c 每三秒启动一次 在移动时 xff0c 发送前进命令 xff0c 速度0 5米每秒 xff0c 停止时发送速度0米每秒 命名为
  • SLAM后端:因子图优化

    xff08 一 xff09 贝叶斯网络 贝叶斯网络是种概率图 xff0c 由随机变量节点和表达随机变量条件独立性的边组成 xff0c 形成一个有向无环图 在 SLAM 中 由于我们有运动方程和观测方程 它们恰好表示了状态变量之间的条件概率
  • Ceres用法及Ceres-Sophus在位姿图优化问题的应用

    xff08 一 xff09 Ceres Solver的一般用法 简述 xff1a Ceres Solver is an open source C 43 43 library for modeling and solving large c
  • 基于深度卷积神经网络的语义地图构建

    xff08 一 xff09 相关研究及特点 语义分割 语义信息 xff1a 物体类别 目标检测 语义分割等 语义分割即对图像中每个像素分配类别标签 目前最主流的是深度学习方法 xff0c 代表性的方法是全卷积神经网络 xff08 fully
  • 语义信息用于闭环检测

    xff08 一 xff09 SLAM闭环检测方法 传统特征点方法 xff1a 利用SIFT 等视觉特征进行对比闭环检测 受环境影响较大 xff0c 往往会产生假阳性检测 xff0c 且计算量大 效率低 在实际应用上存在较大的阻碍 深层特征方
  • 盘点|2021年最受欢迎Linux桌面操作系统前十名

    简介 xff1a 根据各操作系统镜像站后台下载量 xff0c 阿里云镜像站统计了2021年最受欢迎的Linux桌面操作系统 xff0c 仅根据调用量排名 xff0c 供大家参考 排位最高的还是Centos xff0c 受中国Linux用户欢
  • VSLAM框架对比

    xff08 一 xff09 单目VSLAM特点介绍 xff1a 1 ORB SLAM2 工作流程 xff1a 主要模块 xff1a 前端 xff1a ORB特征提取匹配 xff0c 估计相机位姿 xff1b 根据跟踪地图点数的减少选择关键帧
  • ORB-SLAM3的Euroc数据集测试

    xff08 一 xff09 测试运行 不同模式测试过程 xff08 以MH 03为例 xff09 1 pure mono 运行SLAM xff1a cd ORB SLAM3 Example run slam Monocular mono e