在EUROC数据集上运行了LearnViORB，并且测评了ate 和 pre.

运行 LearnViORB

参考网站：click here
LearnVIORB 下载： click here

CMAKE version error

CMake Error at CMakeLists.txt:33 (find_package):
Could not find a configuration file for package "OpenCV" that is compatible
with requested version "2.4.3".

The following configuration files were considered but not accepted:

/opt/ros/kinetic/share/OpenCV-3.2.0-dev/OpenCVConfig.cmake, version: 3.2.0
/usr/local/share/OpenCV/OpenCVConfig.cmake, version: 3.2.0

## 

这是因为CMakeLists.txt中要求的opencv版本是2.4.3的，而我电脑上的时3.2.0，将：

find_package(OpenCV 2.4.3 REQUIRED)

改为：

find_package(OpenCV 3.0 REQUIRED)即可

Eigen error

/usr/include/eigen3/Eigen/src/Core/AssignEvaluator.h:745:3: error: static assertion failed:YOU_MIXED_DIFFERENT_NUMERIC_TYPES__YOU_NEED_TO_USE_THE_CAST_METHOD_OF_MATRIXBASE_TO_CAST_NUMERIC_TYPES_EXPLICITLY
　　EIGEN_CHECK_BINARY_COMPATIBILIY(Func,typename ActualDstTypeCleaned::Scalar,typename Src::Scalar);

Eigen 的一个数据类型有点问题： click here

内存爆炸

使用代码：
./build.sh
编译
出现内存爆炸的问题，系统卡死。
gedit build.sh
將所有的

-j

改成

-j4

即可，
-j4的含义是最多四核，-j是需要多少核就用多少
尝试-j22，也会内存爆炸

运行

在LearnVIORB-RT文件夹中打开终端，输入：

roslaunch Examples/ROS/ORB_VIO/launch/testeuroc.launch

打开另一个终端，输入：

rosbag play ~/slam/V1_01_easy.bag (数据路径)

测评

网上下载得到的ground truth:

LearnVIORB 中的输出程序：

原来的输出 q.w() 在xyz后面。没法和网上数据吻合。
mTimeStamp 用了toSecond() 方法，不再是32位int
直接*1e9，精度丢失，將KF的成员变量mTimeStamp的类型变成 long double, 精度也丢失。
复制给新的long int 变量，再输出，可以匹配成功。
使用pyhton 脚本 （tum 官网下载）计算 ate rpe

~/slam/LearnVIORB-RT$ python2 ../python2计算ATE的RMSE/evaluate_rpe.py /media/txt/txtDisk2/kitti_sync/2011_09_30_drive_0028_extract_tumpose_gt.txt ../temp/kitti93020/KeyFrameNavStateTrajectory.txt
txt@txt-HP:~/slam/LearnVIORB-RT$ python3 ../python3计算ATE的RMSE/evaluate_ate.py /media/txt/txtDisk2/kitti_sync/2011_09_30_drive_0028_extract_tumpose_gt.txt ../temp/kitti93020/KeyFrameNavStateTrajectory.txt 

得到结果：

rte:
1.7556863981
ate:
0.040006

in LearnVIROB/conig/euroc.yaml, the writer says

## bad: V1_03_difficult(wrong), V2_03_difficult(lost)
## not so good(cant close loop without loopclosure): V1_02_medium, V2_02_medium, MH_05_difficult
## good: V1_01_easy, V2_01_easy, MH_01_easy, MH_02_easy, MH_03_medium, MH_04_difficult

run LearnVIORB on kitti dataset, I find it hard to initialize the map, maybe there is flaws with parameters such as window size of ORB extractor.