PA-MPJPE、G-MPJPE 和 Per-metre drift 三个指标

1. Procrustes-Aligned Mean Per Joint Position Error (PA-MPJPE)

定义

在消除平移、旋转和缩放影响后，计算预测姿态与真实姿态之间各关节点的平均欧氏距离误差。

计算步骤

1. Procrustes对齐：通过最小二乘法将预测的姿态（关键点坐标）与真实姿态对齐，仅保留形状差异（消除平移、旋转和缩放的影响）。

2. 误差计算：对齐后，逐关节计算预测与真实位置之间的欧氏距离。

3. 取平均：对所有关节的误差取均值，得到 PA-MPJPE。

应用场景

• 姿态估计：评估模型对人体/物体姿态形状的预测能力，忽略全局位置和方向的影响。

• 动作识别：判断姿态本身的相似性，排除场景中物体位置变化的干扰。

特点

• 关注姿态的形状准确性，而非全局位置。

• 适用于需要精确姿态对齐的任务（如动作捕捉、动画生成）。

2. Global Mean Per Joint Position Error (G-MPJPE)

定义

在全局坐标系下（未经对齐），直接计算预测姿态与真实姿态各关节点的平均欧氏距离误差。

计算步骤

1. 直接比较：无需对齐，直接在原始坐标系中计算每个关节的预测值与真实值的欧氏距离。

2. 取平均：对所有关节的误差取均值。

应用场景

• 定位与跟踪：评估模型在全局坐标系下的绝对位置精度（如机器人导航、增强现实）。

• 运动分析：需要同时考虑姿态形状和全局位置的场景。

特点

• 包含全局位置和方向误差，反映真实世界中的绝对精度。

• 对传感器标定误差或坐标系偏移敏感。

3. Per-Metre Drift (跟踪漂移)

定义

在连续运动过程中，系统每移动1米，累积的位置误差增长量（通常以米/米或百分比表示）。

计算方式

1. 轨迹分段：将运动轨迹按每1米划分区间。

2. 局部误差计算：在每个区间内，计算起点到终点的位置误差（如起点对齐后的终点偏差）。

3. 平均漂移：所有区间的误差均值即为 Per-metre drift。

应用场景

• SLAM系统：评估视觉/激光SLAM在长距离运动中的稳定性。

• 动作捕捉：分析长时间序列下姿态估计的累积误差。

特点

• 反映系统的长期稳定性和抗漂移能力。

• 高漂移值表明系统易受累计误差影响（如IMU积分误差、视觉特征丢失）。