文章摘要 视觉里程计(VO)精度评估的核心在于ATE(绝对轨迹误差)和RPE(相对位姿误差)的合理应用。

评估指标t_error(平均平移误差百分比)：t_error = (1/N) Σ ||trans(T_gt[i]^(-1) · T_est[i])||_2 / length_i × 100%r_error(平均旋转误差)：r_error = (1/N) Σ angle(T_gt[i]^(-1) · T_est[i]) (deg/m)核心特点使用SE(3)刚体对齐（无尺度因子），因为KITTI的GT

真值位姿:Pgtipgtiqgti∈SE3Pgti​pgti​qgti​∈SE3i1Ni1N估计位姿:Pestipestiqesti∈SE3Pesti​pesti​qesti​∈SE3i1Ni1N其中p∈R3p∈R3是平移，q\mathbf{q}q是四元数表示的旋转。RPE 衡量的是局部相对运动的准确性，对漂移更敏感。

极点 (e)：另一个相机光心在当前图像上的投影。极线 (l)：空间点所在的射线投影在图像上形成的直线。

统一约定：始终使用计算F21F_{21}F21​参数对应whichImage参数与输入点来源一致极点验证：计算后务必验证极点位置是否正确代码模板：使用本文提供的完整调用模板，避免低级错误物理直觉：时刻记住e1e_1e1​是相机2在图像1上的投影，e2e_2e2​是相机1在图像2上的投影对极几何是视觉SLAM、三维重建等领域的基石，理解 OpenCV 的实现细节能让你在后续开发中少走很多弯路。希望这

没有万能阈值：2像素阈值是ORB-SLAM针对地面场景的优化，不是普适真理关注t/d比值：这是判断几何约束强弱的最物理指标弱几何 → 放宽阈值 + 视差检查：比坚持严格约束更有效平面场景用单应：高空俯视、地面机器人面对墙面等场景多模型融合鲁棒：同时考虑F/H，取质量更高的匹配可视化验证必要：极线图、匹配点对、三角化结果的可视化是调试关键。

时间 ──────────────────────────────────────────────────────►① main() return (或 exit() 被调用)② atexit() 注册的处理函数执行││ 规则: LIFO (后注册先执行)│ 例: atexit(A);atexit(B);atexit(C);│ 执行顺序: C → B → A││ ✅ 此时堆还是健康的！适合做最后的

编译平台：Ubuntu18.04x86平台目标平台：ZYNQ-7100 Ubuntu20ARM交叉编译工具：gcc-linaro-7.5.0-2019.12-x86_64_aarch64-linux-gnu. 下载地址：https://releases.linaro.org/components/toolchain/binaries/7.5-2019.12/aarch64-linux-gnu/

第1部分 数学基础第2讲 初始SLAM第3讲 三维空间刚体运动3.1 旋转矩阵3.2 实践：Eigen3.3 旋转向量和欧拉角3.4 四元数3.5 *相似、仿射和射影变换3.6 实践：Eigen几何模块3.7 可视化演示第4讲 李群与李代数4.1 李群与李代数基础4.2 指数与对数映射4.3 李代数求导与扰动模型4.4 实践：Sophus4.5 *相似变换群与李代数第5讲 相机与图像5.1 相机模

时间 ──────────────────────────────────────────────────────►① main() return (或 exit() 被调用)② atexit() 注册的处理函数执行││ 规则: LIFO (后注册先执行)│ 例: atexit(A);atexit(B);atexit(C);│ 执行顺序: C → B → A││ ✅ 此时堆还是健康的！适合做最后的