VINS-fusion 跑通Euroc、TUM、KITTI数据集，以及评估工具EVO的下载和使用_euroc数据集下载

零、EVO工具获取与使用

ubuntu20.04中python版本是3.x，因此对应的pip工具会变成pip3，可以先参考如下链接查看自己系统的python和pip版本。

Ubuntu20.04安装evo（详细教程）【亲测有效】_ubantu20.04 evo_学无止境的小龟的博客-CSDN博客

再调用如下命令对evo工具进行安装

pip3 install evo --upgrade --no-binary evo

evo使用如下：

EVO工具的使用_evo rmse-CSDN博客

一、Euroc

1.1 Euroc数据集

Euroc数据集包含双目摄像头和IMU的录制数据格式，可以完成mono+imu、stereo、stereo+imu三种形式的数据播放。

首先应该获取Euroc数据集，Euroc数据集的获取网址如下：

kmavvisualinertialdatasets – ASL Datasets

在该页面，通过下载ROS bag格式数据集，使用ros进行数据读取。下载ASL数据格式，在解压后的压缩包中可以获得gt值，方便EVO工具评估使用。

1.2  VINS-fusion文件存储格式修改

需要修改的有三个地方，修改这三个地方以保证跑完vins后文件的存储格式能够被evo工具识别。

可以参考如下文件：

SLAM中evo评估工具（用自己的数据集评估vinsFusion）_vins-fusion运行自己的数据集_linzs.online的博客-CSDN博客

1.3 数据集运行

使用rosbag运行数据集命令如下，以MH_04_difficult.bag为例。

我选择的方式是双目stereo+imu的形式，命令如下：

#分别在五个终端的vins_ws空间下source后，运行：
roscore
rosrun vins vins_node /home/jetson/vins_ws/src/vins-fusion-master/config/euroc/euroc_stereo_imu_config.yaml
rosrun loop_fusion loop_fusion_node /home/jetson/vins_ws/src/vins-fusion-master/config/euroc/euroc_stereo_imu_config.yaml
roslaunch vins vins_rviz.launch
rosbag play MH_04_difficult.bag

1.4 结果保存与评估

根据euroc_stereo_imu_config.yaml文件中对结果存储路径的改写，我的结果存储在

其中，vio.csv和vio_loop.csv为vins运行后的结果。MH_04_GT.tum是根据下载下来的ASL压缩包中data.csv，使用evo工具转换来的，转换命令如下：

evo_traj euroc data.csv --save_as_tum

得到真值文件之后，可以通过evo中的一些命令工具，参考零中的

“EVO工具的使用_evo rmse-CSDN博客”

可以编写如下命令对evo工具进行调用并评估算法性能。

在/home/jetson/vins_ws/data/euroc路径下调用：

evo_ape tum vio_loop.csv /home/jetson/vins_ws/data/euroc/MH_04_GT.tum -va --plot --plot_mode xyz
evo_rpe tum vio_loop.csv /home/jetson/vins_ws/data/euroc/MH_04_GT.tum -r full -va --plot --plot_mode xyz

评估结果如下：

二、TUM数据集

2.1 TUM数据集获取

Computer Vision Group - Datasets - Visual-Inertial Dataset

这里以dataset-room1_512_16.bag文件为例，.bag文件是用rosbag进行播放的，而.tgz文件中包含了gt值，可以用来评估算法性能。

2.2 TUM配置文件编写

首先需要编写对应的TUM配置文件，可以参考euroc文件格式，修改对应的相机内参、相机和IMU之间的外参即可。

目前，我的tum_mono_imu.yaml和cam0.yaml文件编写如下

tum_mono_imu.yaml

这里需要注意，在本身VINS-fusion关于euroc_mono_imu_config.yaml 或者 euroc_stereo_imu_config.yaml中有一个重要参数FLOW_BACK，当该参数调整为1时将会开启光流特征点检测，提升准确性。网上大部分写好的tmu_mono_imu.yaml并没有该参数，需要自行配置。配置好的文件如下：

%YAML:1.0
 
imu: 1         
num_of_cam: 1  
 
#common parameters
imu_topic: "/imu0"
image0_topic: "/cam0/image_raw"
output_path: "/home/jetson/vins_ws/data/tum/"
 
cam0_calib: "cam0.yaml"
image_width: 512
image_height: 512
 
# Extrinsic parameter between IMU and Camera.
estimate_extrinsic: 0   # 0  Have an accurate extrinsic parameters. We will trust the following imu^R_cam, imu^T_cam, don't change it.
                        # 1  Have an initial guess about extrinsic parameters. We will optimize around your initial guess.
                        # 2  Don't know anything about extrinsic parameters. You don't need to give R,T. We will try to calibrate it. Do some rotation movement at beginning.                        
#If you choose 0 or 1, you should write down the following matrix.
#Rotation from camera frame to imu frame, imu^R_cam
body_T_cam0: !!opencv-matrix
   rows: 4
   cols: 4
   dt: d
   data: [ -9.9951465899298464e-01, 7.5842033363785165e-03, -3.0214670573904204e-02, 4.4511917113940799e-02,
            2.9940114644659861e-02, -3.4023430206013172e-02, -9.9897246995704592e-01, -7.3197096234105752e-02,
            -8.6044170750674241e-03, -9.9939225835343004e-01, 3.3779845322755464e-02 ,-4.7972907300764499e-02,
            0,   0,    0,    1]
 
#Multiple thread support
multiple_thread: 1
 
#feature traker paprameters
max_cnt: 150            # max feature number in feature tracking
min_dist: 15            # min distance between two features 
freq: 10                # frequence (Hz) of publish tracking result. At least 10Hz for good estimation. If set 0, the frequence will be same as raw image 
F_threshold: 1.0        # ransac threshold (pixel)
show_track: 1           # publish tracking image as topic
equalize: 1             # if image is too dark or light, trun on equalize to find enough features
fisheye: 1              # if using fisheye, trun on it. A circle mask will be loaded to remove edge noisy points
flow_back: 1            # perform forward and backward optical flow to improve feature tracking accuracy
 
#optimization parameters
max_solver_time: 0.04  # max solver itration time (ms), to guarantee real time
max_num_iterations: 8   # max solver itrations, to guarantee real time
keyframe_parallax: 10.0 # keyframe selection threshold (pixel)
 
#imu parameters       The more accurate parameters you provide, the better performance
acc_n: 0.04          # accelerometer measurement noise standard deviation. #0.2   0.04
gyr_n: 0.004         # gyroscope measurement noise standard deviation.     #0.05  0.004
acc_w: 0.0004         # accelerometer bias random work noise standard deviation.  #0.02
gyr_w: 2.0e-5       # gyroscope bias random work noise standard deviation.     #4.0e-5
g_norm: 9.80766     # gravity magnitude
 
#unsynchronization parameters
estimate_td: 0                      # online estimate time offset between camera and imu
td: 0.0                             # initial value of time offset. unit: s. readed image clock + td = real image clock (IMU clock)
 
#rolling shutter parameters
rolling_shutter: 0                  # 0: global shutter camera, 1: rolling shutter camera
rolling_shutter_tr: 0               # unit: s. rolling shutter read out time per frame (from data sheet). 
 
#loop closure parameters
load_previous_pose_graph: 0        # load and reuse previous pose graph; load from 'pose_graph_save_path'
pose_graph_save_path: "/home/jetson/vins_ws/data/tum/" # save and load path
save_image: 0                   # save image in pose graph for visualization prupose; you can close this function by setting 0 

 cam0.yaml

%YAML:1.0
---
model_type: KANNALA_BRANDT
camera_name: camera
image_width: 512
image_height: 512
mirror_parameters:
   xi: 3.6313355285286337e+00
   gamma1: 2.1387619122017772e+03
projection_parameters:
   k2: 0.0034823894022493434
   k3: 0.0007150348452162257
   k4: -0.0020532361418706202
   k5: 0.00020293673591811182
   mu: 190.97847715128717
   mv: 190.9733070521226
   u0: 254.93170605935475
   v0: 256.8974428996504

2.3 数据集运行

#分别在五个终端的vins_ws空间下source后，运行：
roscore
rosrun vins vins_node /home/jetson/vins_ws/src/vins-fusion-master/config/TUM/tum_mono_imu.yaml
rosrun loop_fusion loop_fusion_node /home/jetson/vins_ws/src/vins-fusion-master/config/TUM/tum_mono_imu.yaml
roslaunch vins vins_rviz.launch
rosbag play dataset-room1_512_16.bag

2.4 结果保存与评估

首先，调用如下命令将真值转换成tum格式，方便evo进行评比

evo_traj euroc gt_imu.csv --save_as_tum
evo_traj tum groundtruth.txt --save_as_tum

之后，再将得到的vio_loop.csv与真值文件进行比较，得到比较结果

在/home/jetson/vins_ws/data/tum路径下调用（为了与tum其它数据集区分开，我这里选择命名为_room1）

evo_ape tum vio_loop.csv /home/jetson/vins_ws/data/tum/gt_tum_room1.tum -va --plot --plot_mode xyz
evo_rpe tum vio_loop.csv /home/jetson/vins_ws/data/tum/gt_tum_room1.tum -r full -va --plot --plot_mode xyz

多轨迹比较（根据slam方案的存储文件格式，需要自主修改名字，这里举例是真值、开回环和无回环的情况）：

evo_traj tum vio.csv vio_loop.csv /home/jetson/vins_ws/data/tum/gt_tum_room1.tum -p --plot_mode=xyz

评估结果如下：

 三条轨迹比较结果如下：

 如果想比较多轨迹并对齐，可以调用如下命令：

evo_traj tum Ours_tumroom1.csv VINS+F_tumroom1.csv VINS+TH_tumroom1.csv MASOR1_tumroom1.csv VINS_tumroom1.csv --ref=/home/jetson/vins_ws/data/tum/gt_tum_room1.tum -p --plot_mode=xy --align --correct_scale

三、KITTI数据集

KITTI数据集是纯双目的，不考虑IMU的融合。

3.1 KITTI数据集获取

下载地址为The KITTI Vision Benchmark Suite，GT值也可以在这个页面下载。

或者在下面的博客里有KITTI的链接。

VINS-Fusion ： EUROC、TUM、KITTI测试成功 + 程序进程详细梳理_vins fusion kitti-CSDN博客

KITTI数据集我选择的是融合GPS的序列，需要在KITTI的官网中选择raw data，挑选yaml文件可以配置的序列。

比如原版的VINS-Fusion只包含了09_30和10_30这两个yaml，那么根据这两个yaml文件，我们需要进入官网的raw data栏目下，选择对应的序列（上面选raw data，下面选Residential，才会有对应的序列）

要选择synced+recifitied，表示该序列是经过时间和空间对准的。

3.2 数据集运行

运行指令：

rosrun vins kitti_gps_test /home/jetson/vins_ws/src/vins-fusion-master/config/kitti_raw/kitti_10_03_config.yaml /media/jetson/Seagate_Exp/dataset/2011_10_03_drive_0027_sync/2011_10_03/2011_10_03_drive_0027_sync/

运行效果如下：