Ubuntu14.04调试ElasticFusion之TUM数据集的测试

本文将介绍如何使用其他RGBD数据集进行场景重建，以及估计轨迹和真实轨迹的对比实验。

环境：ubuntu14.04 + cuda7.5 +GTX1070

数据集：TUM数据集　TUM

使用工具：png_to_klg

性能评估工具：https://svncvpr.in.tum.de/cvpr-ros-pkg/trunk/rgbd_benchmark/rgbd_benchmark_tools/src/rgbd_benchmark_tools/

其中，数据集我下载的是freiburg1_desk.tgz

一、TUM数据集的使用

1、将png_to_klg文件夹下的associate.py复制到数据集的文件夹下，然后

./associate.py depth.txt rgb.txt  > associations.txt

就会生成匹配成功的rgb depth图像对，时间差在0.02s内。

1305031453.374112 depth/1305031453.374112.png 1305031453.359684 rgb/1305031453.359684.png
1305031453.404816 depth/1305031453.404816.png 1305031453.391690 rgb/1305031453.391690.png
1305031453.436941 depth/1305031453.436941.png 1305031453.423683 rgb/1305031453.423683.png
1305031453.473352 depth/1305031453.473352.png 1305031453.459685 rgb/1305031453.459685.png
２、编译png_to_klg

cd png_to_klg
mkdir build
cd build
cmake ..
make -j8

生成可执行文件pngtoklg

３、生成klg文件

./pngtoklg -w '/home/turtlebot/dataset/freiburg1_desk/' -o '/home/turtlebot/dataset/freiburg1_desk/fr_desk.klg' -t

文件转换成功后，就可以在~/ElasticFusion/GUI/build下运行

./ElasticFusion -l ~/dataset/freiburg1_desk/fr1_desk.klg

之后，会在fr1_desk.klg目录下生成全局模型fr1_desk.klg.ply和估计轨迹fr1_desk.freiburg

二、TUM测评工具的使用

测评工具主要是associate.py 和evaluate_ate.py，可以直接copy下来，保存成python脚本。

１、通过时间戳生成关键文件，注意这次是先rgb.txt后depth.txt

python associate.py rgb.txt depth.txt > associate.txt

２、将ElasticFusion估计的估计文件后缀名改成.txt，并与TUM数据集自带的groundtruth.txt放在同一路径下

(1)估计绝对误差的均方根误差ATE RMSE

python evaluate_ate.py groundtruth.txt fr1_desk.txt

输出0.025414

(2)绘制估计误差曲线

python evaluate_ate.py groundtruth.txt fr1_desk.txt --plot result.png

得到ATE RMSE和轨迹误差曲线

(3)计算其他误差，如均值、中值等，以m为单位

python evaluate_ate.py groundtruth.txt fr1_desk.txt　--verbose

输出：