4.2 定量评估 Quantitative Evaluation

We evaluate LSD-SLAM on the publicly available RGB-D dataset [25].

我们通过现有RGB-D公开的数据集[25]来评估LSD-SLAM算法。

Note that for monocular SLAM this is a very challenging benchmark, as it contains fast rotational movement, strong motion blur and rolling shutter artifacts.

值得注意的是，这个benchmark对单目SLAM来说很有挑战性，因为数据集里面包含相机的快速旋转运动，强烈的动态模糊（或运动模糊motion blur）和滚动快门伪影效果（rolling shutter artifacts）等难点。

We use the very first depth map to bootstrap the system and get the correct initial scale.

我们通过最早的一帧关键帧上的深度图（初始化），来启动整个LSD-SLAM系统，并获得正确的初始场景尺度。

Table 9 shows the resulting absolute trajectory error, and compares it to other approaches.

图表9罗列的是（相机）绝对轨迹的标准误差，并和其他SLAM算法比较精度的实验结果。

改动_Labby: absolute trajectory error建议翻译为：轨迹的绝对误差

image copy right belongs to engel14eccv paper， 图像摘录自 engel14eccv论文

Fig. 9: Results on the TUM RGB-D benchmark [25], and two simulated sequences from [12], measured as absolute trajectory RMSE (cm).

图示9：运行在TUM RGB-D 数据集 benchmark [25]上的结果，还包括两个[12]仿真图像序列集（的实验），测量（计算出来的）绝对轨迹的标准误差（或叫均方根误差 RMSE）（厘米 cm）

（左图显示的是TUM fr2/desk图像序列，译者额外添加备注）

For LSD-SLAM, we also show the number of keyframes created. ’x’ denotes tracking failure, ’-’ no avail- able data.

图表中，我们在LSD-SLAM这一列还标注了关键帧的数量，’x’ 表示图像跟踪失败，’-’ 没有可用的数据（造成的原因？需要确认，译者额外添加备注）。

For comparison we show respective results from semi-dense mono-VO[9], keypoint-based mono-SLAM [15], direct RGB-D SLAM [14] and keypoint-based RGB-D SLAM [7].

我们还使用其他四种算法来和LSD-SLAM算法比较，它们是：

• semi-dense mono-VO [9]
• keypoint-based mono SLAM [15]
• direct RGB-D SLAM [14]
• keypoint- based RGB-D SLAM [7]

Note that [14] and [7] use depth information from the sensor, while the others do not.

注意的是， [14] 和[7]使用RGB-D相机的深度信息，其他算法都是单目。