介紹：Visual-Inertial Dataset是TUM在2018年發布的數據集，由實驗人員手持設備進行拍攝，用於視覺慣性里程計的評估，提供了標定序列和數據集序列，而且同一序列提供了不同分辨率，分布為512x512和1024x1024，有圖片文件夾(tar壓縮格式)和適合ros的bag格式。
官方下載及說明網址為https://vision.in.tum.de/data/datasets/visual-inertial-dataset
論文：https://vision.in.tum.de/_media/spezial/bib/schubert2018vidataset.pdf
分為DATASET SEQUENCE(數據集序列)，CALIBRATION (標定序列)，RAW DATA(原始數據)。
使用的傳感器設備型號：
標定數據總共提供四種：
1.calib-cam1~8：相機標定，本質矩陣以及兩個相機之間的姿態變換
2.calib-imu1~4：IMU標定，找到相機和IMU之間的最優姿態變換
3.calib-vignette2~3：光暈標定？？
4.calib-imu-static2:IMU標定，只包含IMU數據，用於估計IMU噪聲和隨機游走。格式timestamp, gyro_x, gyro_y, gyro_z, accel_x, accel_y, accel_z, temperature
數據集序列總共5種：
1.corridor1~5(走廊)：在走廊和幾個辦公室拍攝，只在開始和結束有真實值。
2.magistrale1~6（大廳）：在校園內的一個大廳拍攝，只在開始和結束有真實值。
3.outdoors1~8(戶外)：在校園內的室外場景拍攝，只在開始和結束有真實值。
4.room1~6(室內)：對應有5個圖像序列，整個過程都帶有運動捕捉系統提高的真實值。
5.slides1~3(滑梯)：在大廳中拍攝，包含一段光照極差的路程，只在開始和結束有真實值。
真實值：由運動捕捉系統OptiTrack Flex13提供，並使用中值濾波去除了外點，以IMU幀形式提供。
VINS:VINS中提供了Visual-Inertial Dataset對應config文件和launch文件，推薦下在room1~6進行評估，因為這些序列中提供了整個過程的真實值，其他數據集序列只提供了開始和結尾的真實值。
EVO：下載完數據集后需要使用EVO進行評估，直接通過pip3安裝evo即可。
評估：我評估了帶有回環檢測的VINS的結果，主要需要修改三個地方。
1.config文件
想要得到帶有回環檢測的結果需要修改tum_config.yaml文件，首先修改輸出路徑，有兩個地方可以改成同一個路徑，第6行的output_path修改為自己指定的路徑，然后第70行pose_graph_save_path修改為指定路徑，然后開啟回環檢測，第67行loop_closure改為1，這樣才會輸出帶回環檢測的結果。
2.VINS輸出結果修改為tum格式
直接輸出的結果格式並不能用EVO工具進行評估，需要修改代碼,將其輸出格式改為tum格式：
首先修改VINS-Mono-master\vins_estimator\src\utility\中的visualization.cpp，從156行開始修改為以下形式：
ofstream foutC(VINS_RESULT_PATH, ios::app); foutC.setf(ios::fixed, ios::floatfield); foutC.precision(0); foutC << header.stamp.toSec() << " "; foutC.precision(5); foutC << estimator.Ps[WINDOW_SIZE].x() << " " << estimator.Ps[WINDOW_SIZE].y() << " " << estimator.Ps[WINDOW_SIZE].z() << " " << tmp_Q.x() << " " << tmp_Q.y() << " " << tmp_Q.z() << " " << tmp_Q.w() << endl;
然后修改VINS-Mono-master\pose_graph\src中的pose_graph.cpp中的addKeyFrame函數，在153行，修改為以下形式：
ofstream loop_path_file(VINS_RESULT_PATH, ios::app); loop_path_file.setf(ios::fixed, ios::floatfield); loop_path_file.precision(0); loop_path_file << cur_kf->time_stamp << " "; loop_path_file.precision(5); loop_path_file << P.x() << " " << P.y() << " " << P.z() << " " << Q.x() << " " << Q.y() << " " << Q.z() << " " << Q.w() << endl;
還是在VINS-Mono-master\pose_graph\src中的pose_graph.cpp中，updatePath函數中的內容也要修改，在630行。
ofstream loop_path_file(VINS_RESULT_PATH, ios::app); loop_path_file.setf(ios::fixed, ios::floatfield); loop_path_file.precision(0); loop_path_file << (*it)->time_stamp << " "; loop_path_file.precision(5); loop_path_file << P.x() << " " << P.y() << " " << P.z() << " " << Q.x() << " " << Q.y() << " " << Q.z() << " " << Q.w() << endl;
最后修改VINS-Mono-master\pose_graph\src中的pose_graph_node.cpp中的main函數，506行，將csv格式改為txt格式：
VINS_RESULT_PATH = VINS_RESULT_PATH + "/vins_result_loop.txt";
到此，VINS輸出結果的格式更改完成，接下去修改真實值的格式。
3.真實值修改為tum格式
真實值為對應的.tar文件中的gt_imu.csv文件，由於EVO並不支持這種格式，需要先進行格式轉換，轉換成.tum文件再和VINS運行的結果進行比較。
轉換的命令為：
evo_traj euroc gt_imu.csv --save_as_tum
tum文件格式為timestamp x y z q_x q_y q_z q_w，其中timestamp單位為秒，q是四元數表示。
euroc文件格式為timestamp，px,py,pz,qw,qx,qy,qz,vx,vy,vz,bwx,bwy,bwz,bax,bay,baz 用逗號隔開，其中timestamp單位是納秒，bw為陀螺儀偏置，ba為加速度計偏置。
得到的gt_imu.tum就是可以使用EVO和VINS結果進行比較的格式，我將其重命名為gt_room1.tum，對應room1序列的真實值。
VINS運行：在catkin_ws目錄下打開四個終端，然后分別輸入以下命令，終端4的命令用來選擇不同數據集。
終端1：
source ~/catkin_ws/devel/setup.bash
roscore
終端2：
source ~/catkin_ws/devel/setup.bash
roslaunch vins_estimator tum.launch
終端3：
source ~/catkin_ws/devel/setup.bash
roslaunch vins_estimator vins_rviz.launch
終端4：
source ~/catkin_ws/devel/setup.bash
rosbag play ~/catkin_ws/Dataset/dataset-room1_512_16.bag
運行完后會生成vins_result_loop.txt，然后使用以下命令進行評估APE或者RPE：
evo_ape tum gt_room1.tum vins_result_loop.txt -va --plot
evo_rpe tum gt_room1.tum vins_result_loop.txt -r angle_deg --delta_unit m -va --plot --plot_mode xyz
得到的結果(僅展示終端部分)：
APE：
Loaded 16541 stamps and poses from: gt_room1.tum Loaded 1358 stamps and poses from: vins_result_loop.txt -------------------------------------------------------------------------------- Synchronizing trajectories... Found 1308 of max. 1358 possible matching timestamps between... gt_room1.tum and: vins_result_loop.txt ..with max. time diff.: 0.01 (s) and time offset: 0.0 (s). -------------------------------------------------------------------------------- Aligning using Umeyama's method... Rotation of alignment: [[ 0.99253067 0.12145606 0.01145834] [-0.12136259 0.99257159 -0.00853021] [-0.01240927 0.00707588 0.99989797]] Translation of alignment: [ 0.85930872 -0.34767327 1.33849877] Scale correction: 1.0 -------------------------------------------------------------------------------- Compared 1308 absolute pose pairs. Calculating APE for translation part pose relation... -------------------------------------------------------------------------------- APE w.r.t. translation part (m) (with SE(3) Umeyama alignment) max 1.261789 mean 0.308258 median 0.262709 min 0.012484 rmse 0.359546 sse 169.089307 std 0.185068
RPE：
Loaded 16541 stamps and poses from: gt_room1.tum Loaded 1358 stamps and poses from: vins_result_loop.txt -------------------------------------------------------------------------------- Synchronizing trajectories... Found 1308 of max. 1358 possible matching timestamps between... gt_room1.tum and: vins_result_loop.txt ..with max. time diff.: 0.01 (s) and time offset: 0.0 (s). -------------------------------------------------------------------------------- Aligning using Umeyama's method... Rotation of alignment: [[ 0.99253067 0.12145606 0.01145834] [-0.12136259 0.99257159 -0.00853021] [-0.01240927 0.00707588 0.99989797]] Translation of alignment: [ 0.85930872 -0.34767327 1.33849877] Scale correction: 1.0 -------------------------------------------------------------------------------- Found 133 pairs with delta 1 (m) among 1308 poses using consecutive pairs. Compared 133 relative pose pairs, delta = 1 (m) with consecutive pairs. Calculating RPE for rotation angle in degrees pose relation... -------------------------------------------------------------------------------- RPE w.r.t. rotation angle in degrees (deg) for delta = 1 (m) using consecutive pairs (with SE(3) Umeyama alignment) max 102.691369 mean 32.609766 median 27.259453 min 0.397103 rmse 41.301337 sse 226871.461814 std 25.345682
我還測試了room2~5的結果，這里不再展示，這個數據集沒有提供不同序列之間的差異（比如說速度、光照、紋理情況等，euroc提供了），以下是我自己的主觀感覺。
room1速度較快，視角變化劇烈 光照變化明顯
room2速度較快，視角變換一般 光照良好
room3 速度極快，視角變換一般
room4 光照和視角變換明顯，速度較慢
room5 速度快, 視角變換劇烈
room6 速度慢，視角變換一般
主要參考的文檔有以下：
The TUM VI Benchmark for Evaluating Visual-Inertial Odometry論文部分翻譯：https://blog.csdn.net/qq_41839222/article/details/86180964
tumVI數據集簡單介紹：https://blog.csdn.net/weixin_39926594/article/details/105429925
vins格式修改：https://blog.csdn.net/Hanghang_/article/details/104535370
EVO相關,以及tum,euroc格式：https://github.com/MichaelGrupp/evo/wiki/Formats