上篇博文已通过代码修改、数据格式转换、数据测试实现使用evo评测VINS-MONO，该篇将详细介绍evo评测出的数据指标，以及VINS-MONO在数据集下的精度情况。
绝对轨迹误差（ATE:abosulte trajectory error)：直接计算相机位姿的真实值与SLAM系统的估计值之间的差，程序首先根据位姿的时间戳将真实值和估计值进行对齐， 然后计算每对位姿之间的差值， 并最终以图表的形式输出， 该标准非常适合于评估视觉 SLAM 系统的性能。
相对位姿误差(RPE:relative pose error):用于计算相同两个时间戳上的位姿变化量的差， 同样， 在用时间戳对齐之后， 真实位姿和估计位姿均每隔一段相同时间计算位姿的变化量， 然后对该变化量做差， 以获得相对位姿误差， 该标准适合于估计系统的漂移。
均方根误差( RMSE:Root Mean Square Error): 是观测值与真值偏差的平方和与观测次数m比值的平方根。 是用来衡量观测值同真值之间的偏差。表达式为：
平均绝对误差（MAE：Mean Absolute Error ）: 是绝对误差的平均值,能更好地反映预测值误差的实际情况。表达式为：
标准差（SD: Standard Deviation ）: 是方差的算数平方根.是用来衡量一组数自身的离散程度.表达式为：
SSE(和方差、误差平方和)：The sum of squares due to error ,该统计 参数计算的是拟合 数据和原始数据对应点的误差的平方和，计算公式如下:
SSE越接近于0，说明模型选择和拟合更好，数据预测也越成功。
MSE(均方差) Mean squared error :该统计参数是预测数据和原始数据对应点误差的平方和的均值，也就是SSE/n，和SSE没有太大的区别，计算公式如下:
**STD(标准差） Standard Deviation:**一种量度数据分布的分散程度之标准，用以衡量数据值偏离算术平均值的程度。标准偏差越小，这些值偏离平均值就越少，反之亦然。
测试数据集：Euroc数据集MH_01_easy.bag
上篇博文给出了该数据集VINS-MONO算法noloop和loop下的绝对位姿误差：
noloop:
evo_ape euroc data.csv vins_result_no_loop.csv -va --plot --plot_mode xyz --save_results a.zip
APE w.r.t. translation part (m)
(with SE(3) Umeyama alignment)
max 0.349640
mean 0.144082
median 0.140714
min 0.034372
rmse 0.154602
sse 43.429475
std 0.056053
loop:
evo_ape euroc data.csv vins_result_loop.txt -va --plot --plot_mode xyz --save_results b.zip
APE w.r.t. translation part (m)
(with SE(3) Umeyama alignment)
max 0.130568
mean 0.055452
median 0.052395
min 0.003648
rmse 0.061941
sse 4.066875
std 0.027600
将两个结果放在一个图中，进行对比
evo_res a.zip b.zip -p --save_table table.csv
通过对比图可看出，回环后各项精度指标大大增加，不回环平均位姿精度为14.4cm，回环平均位姿精度为5.5cm，精度大大提高，并且根据std,rmse等指标，数据稳定性鲁棒性更好。
下面将测试开启地图匹配后的定位效果测评。
地图匹配：
重载地图（load_previous_pose_graph: 1）
catkin_make
程序运行后，会先加载地图的位姿图信息至vins_result_loop.txt，故先去除加载的位姿图信息，再进行evo评测。
查看轨迹：
evo_traj tum vins_result_loop_map.txt -p --plot_mode=xyz
name: vins_result_loop_map
infos: 1057 poses, 80.345m path length, 181.200s duration
轨迹总长度80.345米，用时181.200s
精度测试：
evo_ape euroc data.csv vins_result_loop_map.txt -va --plot --plot_mode xyz --save_results c.zip
APE w.r.t. translation part (m)
(with SE(3) Umeyama alignment)
max 0.141669
mean 0.055870
median 0.051059
min 0.005496
rmse 0.062941
sse 4.163599
std 0.028984
将地图匹配后的回环定位结果与之前回环结果相比：
evo_res b.zip c.zip -p --save_table table1.csv
APE w.r.t. translation part (m)
(with SE(3) Umeyama alignment)
rmse mean median std \
vins_result_loop.txt 0.0619409 0.0554517 0.0523953 0.0276005
vins_result_loop_map.txt 0.0629409 0.0558704 0.0510591 0.0289838
min max sse
vins_result_loop.txt 0.00364827 0.130568 4.06688
vins_result_loop_map.txt 0.00549563 0.141669 4.1636
从以上对比结果可看出：
位姿图重载后，定位精度较无地图匹配后的各项精度指标并没有大幅度提升，基本持平，反而一些指标还不如无地图匹配的定位效果好。
个人分析，出现这个情况的原因，可能是，重载的这个位姿图精度并不高，导致基于这个地图的定位匹配反而加大了定位误差。
关于数据集Euroc下的MH_01_easy.bag测试VINS-MONO的定位精度指标分析如上，本来想着多测试几个数据集，但奈何数据包太大，下载测试均有些浪费时间，另外测试数据集也只是为了实际数据测试打基础，所以，以下引用其他博主文章中的数据https://rupingcen.blog.csdn.net/article/details/110485772?spm=1001.2014.3001.5506，仅为了展示说明：
定位精度：
我的MH_01_easy.bag测试下的数据为：0.154602 0.0619409
位姿估计时间：0.170140845 0.171590909
数据会受到电脑性能等因素影响有所差异，但差别不大，上述数据可供参考。
下图为VINS-Mono在EUROC数据集上开启回环模式下的轨迹图：
计算时间：
在跟踪时间上 VISN-Mono 把特征点跟踪和位姿求解分成了两个ROS节点运行，其在整个EUROC数据集上的平均跟踪时间为0.01s(10 ms), 但位姿估计的时间确有36ms, 详细的数据见下表，因此也可以在时间上优化VINS-Mono的位姿优化
