SLAM误差总结

https://zhaoxuhui.top/blog/2021/05/14/APE-RPE-ATE-RTE-Mmetric-in-SLAM.html
https://blog.csdn.net/qq_28087491/article/details/129043366

APE与RPE

同时看位移和旋转

APE：Absolute Pose Error

RPE：Relative Pose Error

MPE (%) / MRE (deg/m) as error metrics, these error metrics are absolute pose error (normalized by trajectory path length).

ATE和RTE

只看位移

ATE：Absolute Trajectory Error

RTE：Relative Trajectory Error

对于A，就是估计轨迹中每点与真实轨迹每点依次比较
对于R，就是把估计轨迹和真实轨迹分别分为两组，对于估计轨迹组中相邻两点，看这两点间变换和真实轨迹组对应的两点变换比较

我觉得不管是A还是R，都是需要进行轨迹对齐的

MSE和MAE

MSE: mean square error
$M S E=\frac{1}{m} \sum_{i=1}^m\left(y_i-f\left(x_i\right)\right)^2$
优点：光滑连续可导，有利于函数收敛

缺点：

对于误差大于1的情况，给于更重的惩罚
对于误差小于1的情况，给于较轻的惩罚

这样的设计会让离群点给与模型训练太多的影响

MAE: mean absolute error
$M A E=\frac{1}{m} \sum_{i=1}^m\left|y_i-f\left(x_i\right)\right|$

优点：对离群点不敏感

缺点：在绝大多数情况梯度是相等的，不利于收敛

Huber loss：结合了MSE和MAE的优点
$L_\delta(y, f(x))= \begin{cases}\frac{1}{2}(y-f(x))^2, & |y-f(x)| \leq \delta \\ \delta|y-f(x)|-\frac{1}{2} \delta^2, & |y-f(x)|>\delta\end{cases}$

$\delta$ 大小决定了Huber loss对MSE和MAE的侧重性
误差小的时候用2次方MSE，误差大的时候用MAE

【损失函数】MSE, MAE, Huber loss详解_mse损失函数-CSDN博客