SLAMWang / fasterGICP

an improvement of fast_gicp
104 stars 15 forks source link

Performance on the kitti test set #5

Open LJY-RS opened 2 years ago

LJY-RS commented 2 years ago

你好@SLAMWang. 非常感谢你有趣的工作!看到你的论文,被你方法精度惊艳到了,论文中报告的KITTI训练集精度接近0.2%的ATE,而目前SOTA大概只有0.45%左右,可以说有了极大地提升。不知道你的方法在KITTI测试集的精度如何?为什么没有在测试集上传结果呢,感觉很有希望排到榜首位置。另外,我按照你的readme操作,并没有成功运行KITTI数据集测试,不知道哪里出了问题?非常感谢,期待你的回复

SLAMWang commented 2 years ago

你好,请把你的运行错误提示提供下,我看下可能是哪里的问题。

LJY-RS commented 2 years ago

非常感谢你的回复!错误问题不大我能解决,我更加关注第一个问题,我自己的方法在KITTI测试集上大概排到接近0.6%,再提升就难度很大了,看能不能借鉴下你方法的优点来提升提升,谢谢

SLAMWang commented 2 years ago

好的,我们的方法很容易迁移和复现,请借鉴和继续改进。 我们目前,也在持续探索和研究更加高效简洁的纯激光里程计优化方法。 说实话,虽然可以做这个kitti测试,但是我们目前对这块兴趣不大,尽管基于这个里程计的完整的纯激光SLAM系统我们也已经做好了。主要有以下观点,仅供交流。 首先,我们有自己的平台,在建图和定位功能上,经过长达近一年的测试,我们已经不采用SLAM系统作为定位核心模块,而是采用RTK,当然这是完全工程上的考虑。所以对激光里程计以及SLAM系统的改进,我们并不追求精度本身,在精度存在并快接近上限的情况下,,精度的提升在工程上来说意义不大,鲁棒性和稳定性更是关键。 其次,做里程计的意义在于,我们把它当作一个不确定性条件下的非线性优化问题来做,思考这个问题会有意思很多,新的机制和策略带来的精度的提升能证明所提出的方法有进一步泛化到一般性的优化问题的可能性。 最后,去刷榜当然是有必要的,很期待你那边的测试结果,希望有结果后及时跟我分享。

LJY-RS commented 2 years ago

非常感谢你的回复,你的观点很多我都同意,谢谢!我今天在KITTI 00序列上跑了下你的代码,没有做任何修改,用的scan-to-scan匹配,结果与你的结果差别较大,用KITTI提供的精度测评工具,localization 只有1.389%.

1111

图片里边红色为fasterGICP scan-to-scan的结果

SLAMWang commented 2 years ago

我下载下来测试了一下,参数如下:栅格化分辨率0.5m;use_prob_kernal:"0";use_sampling:"1" 在kitti00上的结果如下,评估命令为evo_ape kitti 00.txt traj00_0.5_0.5_0_1s.txt -va 结果如下 max 16.569153 mean 6.229370 median 4.605876 min 0.131192 rmse 7.520097 sse 256801.969101 std 4.212695 如果你使用的是--align_origin, 则评估出来的rmse是要会大一点,我只是用了-a来对齐。00序列的长度为3700左右,所以最终的ATE【%】为7.52/37。 再调下参的话,还可以再提升一下精度。

SLAMWang commented 2 years ago

-va

LJY-RS commented 2 years ago

感谢你的回复!与KITTI的精度计算方式不太同