ALITA:用于自動(dòng)駕駛的大規(guī)模增量數(shù)據(jù)集

0. 引言

位置識(shí)別與閉環(huán)檢測(cè)是自動(dòng)駕駛系統(tǒng)中的關(guān)鍵任務(wù)，但現(xiàn)有方法基本都是在特定場(chǎng)景下進(jìn)行評(píng)估，這樣很難評(píng)價(jià)現(xiàn)有方法在大規(guī)模、長(zhǎng)期、變視角環(huán)境下的準(zhǔn)確性、魯棒性和泛化能力，即很難判斷其在實(shí)際應(yīng)用中的性能。而收集符合要求的實(shí)際大規(guī)模場(chǎng)景數(shù)據(jù)集需要復(fù)雜、昂貴以及能夠長(zhǎng)期運(yùn)行的采集平臺(tái)。

本文將為大家分享一個(gè)用于自動(dòng)駕駛的大規(guī)模增量數(shù)據(jù)集，該數(shù)據(jù)集可以用于實(shí)際場(chǎng)景的性能評(píng)估。數(shù)據(jù)集，以及用于數(shù)據(jù)處理和本地評(píng)估的Python-API已經(jīng)開源。

1. 論文信息

標(biāo)題：ALITA: A Large-scale Incremental Dataset for Long-term Autonomy

作者：Peng Yin, Shiqi Zhao, Ruohai Ge, Ivan Cisneros, Ruijie Fu, Ji Zhang, Howie Choset, Sebastian Scherer

來源：2022 Robotics

原文鏈接：https://arxiv.org/abs/2205.10737

數(shù)據(jù)集鏈接：https://github.com/MetaSLAM/ALITA

2. 摘要

對(duì)于長(zhǎng)期自動(dòng)駕駛，大多數(shù)位置識(shí)別方法主要是在簡(jiǎn)化場(chǎng)景或模擬數(shù)據(jù)集上進(jìn)行評(píng)估，這不能為評(píng)估當(dāng)前同時(shí)定位和地圖創(chuàng)建(SLAM)的就緒性提供堅(jiān)實(shí)的證據(jù)。

在本文中，我們提出了一個(gè)長(zhǎng)期位置識(shí)別數(shù)據(jù)集，用于大規(guī)模動(dòng)態(tài)環(huán)境下的移動(dòng)定位。該數(shù)據(jù)集包括一個(gè)校園尺度的軌跡和一個(gè)城市尺度的軌跡:

1. 校園軌跡關(guān)注長(zhǎng)期屬性，我們?cè)?0個(gè)軌跡上記錄激光雷達(dá)設(shè)備和全景相機(jī)，每個(gè)軌跡在不同照明條件下重復(fù)記錄8次。
2. 城市軌道聚焦于大范圍的屬性，我們將激光雷達(dá)設(shè)備安裝在車輛上，穿越120公里的軌跡，包括開放的街道、居民區(qū)、自然地形等。

它們包括200小時(shí)的城市環(huán)境中各種場(chǎng)景的原始數(shù)據(jù)。在每個(gè)軌跡上提供兩個(gè)軌跡的地面真實(shí)位置，這是從全球定位系統(tǒng)獲得的，具有附加的基于一般ICP的點(diǎn)云細(xì)化。為了簡(jiǎn)化評(píng)估過程，我們還使用Python-API提供了一組地點(diǎn)識(shí)別指標(biāo)，用于快速加載數(shù)據(jù)集并評(píng)估不同方法的識(shí)別性能。該數(shù)據(jù)集旨在尋找具有高位置識(shí)別準(zhǔn)確性和魯棒性的方法，并為真正的機(jī)器人系統(tǒng)提供長(zhǎng)期自主性。

3. 數(shù)據(jù)集分析

作者提出了一個(gè)用于大規(guī)模環(huán)境下長(zhǎng)期位置識(shí)別的數(shù)據(jù)集iData，數(shù)據(jù)集的目標(biāo)是長(zhǎng)期定位這一挑戰(zhàn)任務(wù)，該數(shù)據(jù)集包含兩個(gè)軌跡分支：

(1) 城市數(shù)據(jù)集，它記錄了城市尺度中總共50條車輛軌跡和120公里軌跡的激光雷達(dá)數(shù)據(jù)輸入，每個(gè)軌跡至少在一個(gè)交叉點(diǎn)與其他軌跡重疊，并且在數(shù)據(jù)集中有158個(gè)重疊。采集地點(diǎn)位于賓夕法尼亞州匹茲堡市。

(2) 校園數(shù)據(jù)集，分別在不同的照明和視點(diǎn)下，在10個(gè)不同的軌跡上收集了8次重復(fù)的全景視覺輸入和激光雷達(dá)輸入，全長(zhǎng)約36公里。采集地點(diǎn)位于卡耐基梅隆大學(xué)(CMU)校園區(qū)域。

圖1所示是數(shù)據(jù)集的可視化結(jié)果，表1所示是不同數(shù)據(jù)集的比較結(jié)果。

包括使用Velodyne-16和Xsens MTI-300 IMU采集的城市和校園數(shù)據(jù)集。城市數(shù)據(jù)集包含5個(gè)區(qū)域 (以綠色、黃色、紅色、紗色和藍(lán)色著色)，涵蓋街區(qū)、住宅區(qū)、公園和商業(yè)建筑。校園數(shù)據(jù)集以紫色顯示，涵蓋了卡內(nèi)基梅隆大學(xué)的主校區(qū)

大多數(shù)數(shù)據(jù)集都是針對(duì)短期、固定條件或視點(diǎn)位置識(shí)別任務(wù)，難以評(píng)估在現(xiàn)實(shí)世界中長(zhǎng)期、大規(guī)模應(yīng)用中的定位性能。與現(xiàn)有數(shù)據(jù)集相比，作者提出的城市數(shù)據(jù)集覆蓋了大規(guī)模變化的3D場(chǎng)景，并且可以應(yīng)用于不同視點(diǎn)差異下的評(píng)估，涵蓋了長(zhǎng)期動(dòng)態(tài)對(duì)象、照明和視點(diǎn)差異。作者提出的城市和校園數(shù)據(jù)集都為準(zhǔn)確的位置識(shí)別提供了事實(shí)依據(jù)，有助于對(duì)不同方法進(jìn)行評(píng)估。此外，該城市數(shù)據(jù)集已在ICRA 2022中使用General Place Recognition Competition對(duì)當(dāng)前新的3D位置識(shí)別方法進(jìn)行基準(zhǔn)測(cè)試。

4. 采集平臺(tái)

4.1 硬件設(shè)置

作者的數(shù)據(jù)采集平臺(tái)包含一臺(tái)Velodyne-16激光雷達(dá)掃描儀、Xsens MTI-300慣性測(cè)量單元和一臺(tái)Nvidia Jetson TX2板載計(jì)算機(jī)。對(duì)于城市數(shù)據(jù)集，作者將平臺(tái)安裝在移動(dòng)車輛的頂部，并與GNSS定位系統(tǒng)同步運(yùn)行，以記錄城市規(guī)模環(huán)境的地面真實(shí)位置。如圖2所示是作者用于校園數(shù)據(jù)集采集的平臺(tái)，基礎(chǔ)平臺(tái)與城市數(shù)據(jù)集相同。此外，作者在激光雷達(dá)設(shè)備的頂部安裝額外的全景相機(jī)和實(shí)感VIO設(shè)備(T265)，進(jìn)而提供時(shí)間同步的激光雷達(dá)輸入和360°全景視覺輸入。

圖2 數(shù)據(jù)采集平臺(tái)

4.2 數(shù)據(jù)集格式

作者提出的城市數(shù)據(jù)集由4種類型的數(shù)據(jù)組成，主要描述如下：

(1) 全局地圖：全局地圖被處理以包含以點(diǎn)云數(shù)據(jù)(PCD)文件格式提供的每個(gè)軌跡的3D結(jié)構(gòu)。

(2) 軌跡：每個(gè)軌跡主要通過LOAM生成并通過交互式SLAM進(jìn)行優(yōu)化，文件格式為TXT。

(3) 子地圖：每個(gè)全局地圖沿著對(duì)應(yīng)的軌跡分成若干子地圖，一個(gè)子地圖的大小為50m*50m，每?jī)蓚€(gè)子地圖之間的距離約為2m。子地圖數(shù)據(jù)以點(diǎn)云數(shù)據(jù)(PCD)文件格式提供。

(4) 真實(shí)位姿：對(duì)于每個(gè)子地圖，相應(yīng)的真實(shí)位姿包含位置和姿態(tài)信息。作者使用NumPy進(jìn)行數(shù)據(jù)處理，并以標(biāo)準(zhǔn)二進(jìn)制(NPY)文件格式提供。

作者提出的校園數(shù)據(jù)集由4種類型的數(shù)據(jù)組成，主要描述如下:

(1) 全局地圖：全局地圖被處理以包含以點(diǎn)云數(shù)據(jù)(PCD)文件格式提供的每個(gè)軌跡的3D結(jié)構(gòu)。

(2) 里程計(jì)：里程計(jì)由壤LOAM生成并以TXT文件格式提供。

(3) 相對(duì)里程計(jì)：相對(duì)里程計(jì)由交互式SLAM處理，以生成其他序列相對(duì)于參考序列的相對(duì)位置。該數(shù)據(jù)以TXT文件格式提供。

(4) 全景圖片：對(duì)于里程計(jì)中的每一幀位姿，相應(yīng)的全景圖片以PNG文件格式提供。

5. 總結(jié)

在2022 Robotics 論文"ALITA: A Large-scale Incremental Dataset for Long-term Autonomy"中，作者提出了iDATA數(shù)據(jù)集，旨在實(shí)現(xiàn)大規(guī)模環(huán)境下的長(zhǎng)期位置識(shí)別任務(wù)。該數(shù)據(jù)集將有助于處理光照和視點(diǎn)變化的位置識(shí)別研究，以及基于激光雷達(dá)圖像(全景)融合的機(jī)器人研究。此外，由于提出的iDATA數(shù)據(jù)集在軌跡之間提供了豐富的重疊，該數(shù)據(jù)集也可用于地圖合并系統(tǒng)。