[論文レビュー] A Commute in Data: The comma2k19 Dataset

Harald Schäfer, Eder Santana+2 more|arXiv (Cornell University)|Dec 14, 2018

Anomaly Detection Techniques and Applications参考文献 11被引用数 49

ひとこと要約

本論文は comma2k19 を紹介します。密な商用センサー駆動データセットで、生の GNSS データ、カメラ、CAN ログを含み、Laika というオープンソースの GNSS プロセッサを提示します。これによりベースラインより約 40% 向上した位置推定精度を達成します。さらに、2つの車両設定について GNSS/INS/vision の緊密結合のグローバル姿勢を提供します。

ABSTRACT

comma.ai presents comma2k19, a dataset of over 33 hours of commute in California's 280 highway. This means 2019 segments, 1 minute long each, on a 20km section of highway driving between California's San Jose and San Francisco. The dataset was collected using comma EONs that have sensors similar to those of any modern smartphone including a road-facing camera, phone GPS, thermometers and a 9-axis IMU. Additionally, the EON captures raw GNSS measurements and all CAN data sent by the car with a comma grey panda. Laika, an open-source GNSS processing library, is also introduced here. Laika produces 40% more accurate positions than the GNSS module used to collect the raw data. This dataset includes pose (position + orientation) estimates in a global reference frame of the recording camera. These poses were computed with a tightly coupled INS/GNSS/Vision optimizer that relies on data processed by Laika. comma2k19 is ideal for development and validation of tightly coupled GNSS algorithms and mapping algorithms that work with commodity sensors.

研究の動機と目的

• affordable sensors で大規模かつ再現性のあるデータセットを提供し、商用ハードウェア上で高性能な自己位置推定と地図作成を可能にする。
• GNSS、INS、ビジョンの緊密結合融合手法と地図作成アルゴリズムの開発・検証を可能にする。
• Laika というオープンソース GNSS 処理ライブラリを紹介し、その位置推定精度への影響を示す。

提案手法

• EONs とグレー・パンダによるロード対向カメラ、9軸 IMU、CAN データ、RAW GNSS 測定を用いてカリフォルニア州の高速道路区間 20 km の二車両からデータを収集する。
• Laika で RAW GNSS データを処理し、改善された位置推定を生成する。
• 緊密に結合した GNSS/INS/Vision 最適化計（MSCKF ベース）でグローバル姿勢を計算し、局所座標系（NED ベース）での姿勢を含む ECEF フレームの姿勢を提供する。
• 再投影ベースのヤコビ行列と特徴点に基づく線形化を用いて RMSE を推定し、高度と姿勢の誤差を定量化する。
• ORB 特徴量の平均値に対してフレームを再ローカライズすることで EM ベースのポーズ整合を簡易に提示し、潜在的な補正を示す。

実験結果

リサーチクエスチョン

• RQ1 密な商用センサー駆動データセットは、GNSS/INS/vision の緊密結合アルゴリズムの開発をどのように支援できるか。
• RQ2 Laika のようなオープンソースライブラリを用いて RAW GNSS データを処理することで、GNSS 位置推定にどの程度の改善が得られるか。
• RQ3 提供されたグローバル姿勢の RMSE 特性は、位置（North、East、Down）と姿勢（Roll、Pitch、Yaw）でどのようになるか。
• RQ4 視覚情報に基づく補正は、 highway マッピングにおける GNSS/INS とポーズ推定をどのように補完できるか。

主な発見

Position North RMSE	Position East RMSE	Position Down RMSE	Roll RMSE	Pitch RMSE	Yaw RMSE
0.6 m	0.6 m	0.9 m	0.20°	0.20°	0.25°
1.3 m	1.3 m	2.0 m	0.20°	0.20°	0.25°

• comma2k19 はカリフォルニア州の高速道路走行データを 33 時間以上提供し、2019 年の 1 分間セグメントでマッピング研究の密な観測を可能にする。
• Laika はデータ収集に使用したベースライン GNSS モジュールと比較して位置推定誤差を約 40%低減する。
• グローバル姿勢は局所フレームの向きを含む ECEF で提供される。RMSE 推定は North 0.6 m、East 0.6 m、Down 0.9 m（RAV4）、1.3 m、1.3 m、2.0 m（Civic）であり、姿勢 RMSE は全軸で約 0.20–0.25 度。
• データセットは商用ハードウェア上での GNSS/INS/vision の緊密結合融合と HD マップ作成の開発を支援する。
• 2 台の車両設定（2016 年型 Honda Civic と 2017 年型 Toyota RAV4）はアンテナ配置とセンサ性能のばらつきを提供する。