EVO评估数据导出在origin中绘制

一、EVO数据导出

1.1、使用EVO保存图片为pdf，保存数据为zip

evo_ape tum trajectory.txt pose.txt -p -v  --align_origin  --plot_mode=xy --save_results evo_results.zip --save_plot evo_results.pdf

evo_ape tum trajectory.txt pose.txt -p -v --align_origin --plot_mode=xy --save_results evo_results.zip --save_plot evo_results.pdf

注意此处

--save_results evo_results.zip 其中--save_results后加保存zip名称

--save_plot evo_results.pdf 其中--save_plot后加保存pdf名称

解压后发现格式都是npz的，需要转换为csv格式

1. error_array.npz

内容：位姿误差的原始数值数组（对应你用evo_ape计算的绝对位姿误差，或evo_rpe的相对位姿误差）。

含义：存储了每一个数据点的误差值（例如evo_ape的平移误差 / 旋转误差），是后续绘制误差曲线的核心数据。

2. timestamps.npz

内容：每个误差数据对应的时间戳数组。

含义：与error_array.npz中的误差值一一对应，记录了每个误差点对应的「轨迹时间戳」，用于绘制 "误差随时间变化" 的曲线。

3. seconds_from_start.npz

内容：每个数据点相对于轨迹起始时刻的时间差数组（单位：秒）。

含义：是时间戳的 "相对简化版"（例如轨迹第 1 秒、第 2 秒对应的误差），部分场景下比原始时间戳更直观。

4. stats.json

内容：误差的统计指标信息（以 JSON 格式存储）。

含义：包含误差的最大值、最小值、均值、标准差、RMSE（均方根误差）等关键统计量，是评估 SLAM 算法精度的核心定量指标。

5. info.json

内容：EVO 评估的元信息（以 JSON 格式存储）。

含义：记录了本次评估的「配置参数」，例如：

你用的 EVO 命令（evo_ape）、评估的轨迹文件（trajectory.txt/pose.txt）；

对齐方式（--align_origin）、绘图模式（--plot_mode=xy）；

EVO 版本、运行时间等环境信息。

1.2将zip压缩包的内容npz格式转为csv

创建py脚本执行批量转换

python npz_to_csv.py

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import numpy as np
import csv
import os
import zipfile

# ========== 适配当前目录的路径配置 ==========
npz_zip_path = "./evo_results.zip"
extract_dir = "./evo_results"

def npz_single_to_csv(npz_file_path, csv_file_path):
    """
    单个npz文件转换为csv文件的工具函数
    :param npz_file_path: 输入npz文件路径
    :param csv_file_path: 输出csv文件路径
    """
    try:
        # 1. 加载npz数据（适配旧版EVO的ndarray格式）
        npz_data = np.load(npz_file_path)
    except Exception as e:
        print("错误：加载npz文件 {} 失败，异常信息：{}".format(npz_file_path, str(e)))
        return False

    # 2. 数据格式优化（确保为一维数组，适配CSV写入）
    if npz_data.ndim > 1:
        npz_data = npz_data.flatten()
        print("提示：{} 为多维数组，已展平为一维".format(os.path.basename(npz_file_path)))

    # 3. 写入CSV文件
    try:
        with open(csv_file_path, 'w') as csv_file:
            csv_writer = csv.writer(csv_file)
            # 写入列头（根据npz文件名自动生成简易列头，适配EVO数据）
            npz_file_name = os.path.splitext(os.path.basename(npz_file_path))[0]
            csv_writer.writerow(["{}_index".format(npz_file_name), "{}_value".format(npz_file_name)])
            
            # 逐行写入数据（索引+数值，适配所有一维npz数据）
            for i, value in enumerate(npz_data):
                csv_writer.writerow([i, value])
        
        print("成功：{} 已转换为 {}，数据长度：{}".format(npz_file_path, csv_file_path, len(npz_data)))
        return True
    except Exception as e:
        print("错误：写入CSV文件 {} 失败，异常信息：{}".format(csv_file_path, str(e)))
        return False

def batch_convert_npz_to_csv():
    """
    批量转换压缩包中所有npz文件为csv文件的主函数
    """
    # 步骤1：解压压缩包（若未解压）
    if os.path.exists(npz_zip_path) and npz_zip_path.endswith(".zip"):
        # 检查是否已解压（判断提取目录是否存在，且包含npz文件）
        npz_files_exist = False
        if os.path.exists(extract_dir):
            for file in os.listdir(extract_dir):
                if file.endswith(".npz"):
                    npz_files_exist = True
                    break
        
        if not npz_files_exist:
            # 不存在有效npz文件，重新解压
            with zipfile.ZipFile(npz_zip_path, 'r') as zip_ref:
                zip_ref.extractall(extract_dir)
            print("已解压 {} 到：{}".format(npz_zip_path, extract_dir))
        else:
            print("压缩包已解压且包含npz文件，跳过解压步骤")
    else:
        print("错误：未找到压缩包文件 {}，请检查路径".format(npz_zip_path))
        return

    # 步骤2：遍历提取目录，收集所有npz文件
    npz_file_list = []
    for root, dirs, files in os.walk(extract_dir):
        for file in files:
            if file.endswith(".npz"):
                npz_file_path = os.path.join(root, file)
                npz_file_list.append(npz_file_path)
    
    if not npz_file_list:
        print("错误：在 {} 目录下未找到任何npz文件".format(extract_dir))
        return
    print("\n共找到 {} 个npz文件，开始批量转换...\n".format(len(npz_file_list)))

    # 步骤3：批量转换每个npz文件为csv文件
    success_count = 0
    for npz_file_path in npz_file_list:
        # 构造csv文件路径（与npz文件同名，后缀改为.csv）
        csv_file_path = os.path.splitext(npz_file_path)[0] + ".csv"
        # 调用单个转换函数
        if npz_single_to_csv(npz_file_path, csv_file_path):
            success_count += 1

    # 步骤4：输出批量转换总结
    print("\n批量转换完成！共处理 {} 个npz文件，成功转换 {} 个，失败 {} 个".format(len(npz_file_list), success_count, len(npz_file_list)-success_count))
    print("所有CSV文件已保存至 {} 目录下（与对应npz文件同名）".format(extract_dir))

if __name__ == '__main__':
    batch_convert_npz_to_csv()

得到转换后文件

二、创建虚拟环境使用EVO导出csv格式(放弃，ubuntu18.04未成功，依赖要改的太多)

2.1安装虚拟环境管理工具 virtualenv

# 1. 若系统无 pip3，先安装 python3-pip（Ubuntu 18.04 自带 Python 3.6，不影响 ROS）
sudo apt update && sudo apt install -y python3-pip

# 2. 用 pip3 安装 virtualenv（全局安装，仅用于创建虚拟环境，无版本冲突风险）
sudo pip3 install virtualenv

# 3. 验证安装成功
virtualenv --version

2.2创建干净的 Python 3.8 虚拟环境

# 1. 创建虚拟环境存放目录（若已存在，跳过此步）
mkdir -p ~/python_envs
cd ~/python_envs

# 2. 验证 Python 3.8 路径正确性（确保输出 /usr/bin/python3.8）
which python3.8

# 3. 创建 Python 3.8 虚拟环境，命名为 `evo_highver`（清晰标识高版本 EVO）
virtualenv -p /usr/bin/python3.8 evo_highver

2.3激活虚拟环境

# 激活虚拟环境（终端前缀会出现 (evo_highver) 标识，代表进入隔离环境）
source ~/python_envs/evo_highver/bin/activate

2.4在虚拟环境中安装高版本 EVO（支持 --save_as_csv）

# 1. 升级虚拟环境内的 pip 和 setuptools（避免依赖解析错误）
pip install --upgrade pip setuptools==65.5.0

# 2. 安装 EVO 核心依赖（预编译包，快速无报错，适配 Python 3.8）
pip install numpy==1.24.4 matplotlib==3.6.0 scipy==1.10.1 pandas==2.0.3 seaborn==0.12.2 natsort==8.4.0 pyyaml==6.0.1

# 3. 安装 EVO 1.16.0（核心步骤，支持 --save_as_csv）
pip install evo==1.16.0

# 4. 验证 EVO 安装成功，且支持目标参数
echo "===== 验证 EVO 版本 ====="
evo pkg --version

echo -e "\n===== 验证 --save_as_csv 参数 ====="
evo export --help | grep "save_as_csv"

2.5在虚拟环境中执行轨迹导出（核心需求落地，避免 ROS 干扰）

# 1. 切换到轨迹文件所在目录（替换为你的实际路径，确保 trajectory.txt 和 pose.txt 存在）
cd ~/map-bag-date/bag/da_lun_wen/liwo_mapping/01/pose_half

# 2. 执行完整的轨迹导出命令（原点对齐 + 导出 CSV 到当前目录，无需可视化可去掉 -p）
evo traj tum trajectory.txt pose.txt -p -v --align_origin --ref trajectory.txt | evo export --save_as_csv --output_dir ./

2.6出虚拟环境，恢复 ROS 环境（零残留，无干扰）

# 退出虚拟环境（终端前缀 (evo_highver) 消失，恢复原状）
deactivate

2.7后续复用高版本 EVO（无需重复安装，高效便捷）

# 1. 激活虚拟环境
source ~/python_envs/evo_highver/bin/activate

# 2. 切换到轨迹目录，执行导出命令（直接复用，无需修改）
cd ~/map-bag-date/bag/da_lun_wen/liwo_mapping/01/pose_half
evo traj tum trajectory.txt pose.txt -v --align_origin --ref trajectory.txt | evo export --save_as_csv --output_dir ./

# 3. 退出虚拟环境
deactivate

三、ubuntu18.04+py2.7环境下安装EVO

3.1、参考链接

https://blog.csdn.net/weixin_68647501/article/details/128858007?fromshare=blogdetail&sharetype=blogdetail&sharerId=128858007&sharerefer=PC&sharesource=2201_76065173&sharefrom=from_link

git clone https://github.com/MichaelGrupp/evo.git
#下载git包
cd evo
git checkout v1.12.0
#检查
sudo pip install  -i https://pypi.tuna.tsinghua.edu.cn/simple --editable . --upgrade --no-binary evo 
#解决下载慢的问题（镜像）（我这里找不到命令，所以前面加了sudo）

evo pkg --version查看安装版本

四、导出变换后的轨迹

4.1、使用--save_as_tum导出变换后的数据，注意不能加输出名称，默认输出当前位置同名

evo_traj tum pose.txt --ref trajectory.txt -as -p --save_as_tum

变化前目录内容

使用evo_traj tum pose.txt --ref trajectory.txt -as -p --save_as_tum图

轨迹保存路径

4.2变化前后pose轨迹对比

4.3变化前后地面真值(因为以它为参考，故而无变化)

五、导出数据整理

5.1导出ape数据--------ao对齐原点

evo_ape tum trajectory.txt pose.txt -v --align_origin --plot_mode=xy -p -r trans_part --save_plot ao.pdf --save_results ao.zip

5.2导出ape数据-----as全局对齐

evo_ape tum trajectory.txt pose.txt -v -as --plot_mode=xy -p -r trans_part --save_plot as.pdf --save_results as.zip

5.3导出traj数据------ao对齐

evo_traj tum pose.txt --ref trajectory.txt -v --save_table ao_traj.csv --align_origin --plot_mode=xy -p --save_plot ao_traj.pdf --save_as_tum

5.4导出traj数据------as对齐

evo_traj tum pose.txt --ref trajectory.txt -v --save_table as_traj.csv -as --plot_mode=xy -p --save_plot as_traj.pdf --save_as_tum

5.5修改压缩包内容格式npz_to_csv.py

四、数据导入origin

4.1关联origin与matlab

使用origin的控制台连接matlab：必须是同一台计算机运行origin与matlab；必须先打开origin

在matlab控制台输入matlab命令，输入desktop打开matlab的工作区

在打开的matlab中编写一个.m文件用于读取csv文件格式到工作区

% MATLAB 文件读取工具 - 小白友好版
clear; clc; % 清空工作区和命令窗口，保持干净

% ！！！你只需要修改这里！！！指定你的文件路径和名称
% filename = 'E:\00我的纵向\05大论文\02试验数据\00建图仿真\01LIWO一圈第一次数据\complete_line\ao_tf\ao_ape\error_array.csv'; % 例如 'C:/Data/my_data.csv'
filename = 'E:\00我的纵向\05大论文\02试验数据\00建图仿真\01LIWO一圈第一次数据\complete_line\ao_tf\ao_traj_trajectory.csv';


try % 尝试读取文件
    fprintf('正在尝试读取文件: %s\n', filename);
    
    % 方法1: 优先使用 readtable，适用于大多数带行列结构的CSV/TXT
    data = readtable(filename);
    fprintf('✓ 使用 readtable 读取成功！数据是一个 %dx%d 的表格。\n', size(data,1), size(data,2));
    
    % 显示前几行预览
    disp('数据预览:');
    head(data);
    
    % 方法2: 如果readtable失败，尝试更通用的importdata
    % 这个函数会把数据放到一个结构体里，有时更能容错
    % data_struct = importdata(filename);
    % fprintf('✓ 使用 importdata 读取成功！\n');
    % disp('导入的数据结构如下:');
    % disp(data_struct);
    
catch ME % 如果读取失败，会在这里给出错误提示
    fprintf('读取文件时出错：%s\n', ME.message);
    fprintf('请检查：\n');
    fprintf('  1. 文件路径和名称是否正确。\n');
    fprintf('  2. 文件是否被其他程序打开。\n');
    fprintf('  3. 文件格式是否完整。\n');
    
    % 建议使用图形化界面导入
    fprintf('\n建议尝试使用图形化导入界面(uiimport)...\n');
    uiimport(filename);
end

点击导入，选中需要的工作区数据

发现此处matlab解析成table无法以工作表导入，故而先直接手动复制，或则txt导入origin

4.2、导入数据绘图

导入多个txt或则csv格式文件并绘图

与ape绘图一致

五、ATE与APE

SLAM中的位姿与轨迹评价指标:APE、RPE、ATE、RTE

APE绝对位姿误差(Absolute Pose Error,APE);同一时刻下计算,EVO可选平移\旋转\以及都考虑

ATE绝对轨迹误差（Absolute Trajectory Error, ATE）；需要先轨迹对齐

APE是ATE的基础，位姿是轨迹的基础。绝对轨迹误差(ATE):将对齐后的轨迹直接与真值比较，求取每个状态的RMSE作为整段轨迹总误差。其计算步骤主要包含两个：(1)轨迹对齐 (2)在对齐轨迹与真值之间计算RMSE。

六、建图精度评估

https://visionary.blog.csdn.net/article/details/115054278?fromshare=blogdetail&sharetype=blogdetail&sharerId=115054278&sharerefer=PC&sharesource=2201_76065173&sharefrom=from_link