4、精度指标（上）：均方根误差（RMSE）、平均绝对误差（MAE）

聊精度指标，咱们得从最基础的开始。

我个人习惯，拿到一套多传感器融合系统的测试数据，第一件事就是算两个数：RMSE 和 MAE。为什么？因为这俩指标能直接告诉你，你的融合结果到底「偏」了多少。说白了，它们就是衡量你系统输出和真实值之间差距的尺子。

4.1 均方根误差（RMSE）

先说说 RMSE。全称 Root Mean Square Error，中文叫均方根误差。

公式长这样：

RMSE = sqrt( (1/n) * Σ (y_pred - y_true)² )

嗯，看着有点数学味，但理解起来不难。它做了三件事：

• 求差：每个预测值和真实值相减
• 平方：把差值平方一下
• 平均再开方：求平均后开根号

你想想看，为什么要平方？因为平方之后，大的误差会被放大。比如一个误差是1，另一个是3，平方后变成1和9，差距一下子就拉开了。所以 RMSE 对「大误差」特别敏感。

我在项目中遇到过一件事。有一次做车载激光雷达和毫米波雷达的融合定位，跑出来的 RMSE 一直偏高。查了半天，发现是某个传感器在特定场景下会丢包，导致融合结果偶尔跳变。这种偶发的大误差，用 MAE 根本看不出来，但 RMSE 一下子就暴露了问题。

4.2 平均绝对误差（MAE）

再来看 MAE，Mean Absolute Error，平均绝对误差。

MAE = (1/n) * Σ |y_pred - y_true|

这个就直白多了。直接算每个点的误差绝对值，然后取平均。没有平方，没有开方，就是纯粹的「平均偏差大小」。

MAE 的好处是什么？它很直观。你告诉老板「我们的定位误差平均是 0.3 米」，老板一听就懂。但如果你说「RMSE 是 0.45 米」，老板可能会问「这 0.45 是什么意思？」——嗯，解释起来有点费劲。

我曾经在一个无人机编队项目中，用 MAE 来评估相对定位精度。因为无人机编队更关心的是「大多数时间」的定位是否准确，偶尔一次偏差只要不撞上就行。这时候 MAE 比 RMSE 更符合实际需求。

4.3 RMSE vs MAE：怎么选？

好，现在问题来了：到底用哪个？

我个人建议，看你的应用场景：

场景	推荐指标	原因
安全关键系统（自动驾驶、医疗）	RMSE	对偶发大误差敏感，能暴露风险
日常性能评估（导航、跟踪）	MAE	直观反映平均表现，易于理解
算法调优阶段	两者都看	RMSE 帮你找极端问题，MAE 帮你看整体趋势
向非技术人员汇报	MAE	解释成本低，老板一听就懂

你想想看，如果系统偶尔会「抽风」一下，RMSE 会立刻报警。但如果系统一直稳定在某个误差范围内，MAE 更能反映真实水平。所以，别纠结「哪个更好」，而是问自己「我现在关心什么」。

4.4 代码示例：Python 实现

光说不练假把式。我贴一段我常用的代码，你们可以直接拿去用：

import numpy as np

def compute_metrics(y_true, y_pred):
    """
    计算 RMSE 和 MAE
    
    参数:
        y_true: 真实值数组
        y_pred: 预测值数组
    
    返回:
        rmse, mae
    """
    errors = y_pred - y_true
    
    rmse = np.sqrt(np.mean(errors ** 2))
    mae = np.mean(np.abs(errors))
    
    return rmse, mae

# 示例数据
true_positions = np.array([1.0, 2.0, 3.0, 4.0, 5.0])
pred_positions = np.array([1.1, 2.2, 2.8, 4.3, 5.5])

rmse, mae = compute_metrics(true_positions, pred_positions)
print(f"RMSE: {rmse:.3f}")
print(f"MAE: {mae:.3f}")

这段代码我用了好多年，简单可靠。注意一点：输入数组的长度要一致，不然会报错。嗯，这种低级错误我刚开始也犯过。

4.5 实际应用中的注意事项

最后，说几个我踩过的坑：

• 单位问题：RMSE 和 MAE 的单位和原始数据一致。如果位置是米，那误差就是米。别搞混了。
• 数据对齐：计算之前，确保预测值和真实值在时间上是对齐的。我见过有人拿错时间戳，算出来的 RMSE 小得离谱，还以为系统完美了——结果是对齐错了。
• 异常值处理：如果数据里有明显的传感器故障点，建议先剔除再算指标。否则一个坏点就能把 RMSE 拉高好几倍，误导你的判断。
• 不要只看一个指标：RMSE 和 MAE 是互补的。只看 RMSE 容易过度关注极端情况，只看 MAE 容易忽略偶发风险。两个一起看，才是正解。

好了，这一章就到这里。下一章我们会继续聊精度指标的下半部分——CEP 和 协方差矩阵。到时候见。