[論文レビュー] Boreas: A Multi-Season Autonomous Driving Dataset

Keenan Burnett, David J. Yoon+10 more|arXiv (Cornell University)|Mar 18, 2022

Robotics and Sensor-Based Localization被引用数 5

ひとこと要約

Boreas は、カナダ・トロントで 350km の走行データを収集した大規模かつマルチシーズンの自律走行データセットであり、全シーズンおよび悪天候下でも高精細な 128 ビーム LiDAR、360° レーダー、5MP カメラデータを備えています。センチメートル精度の真値ポーズを提供し、ライブのリーダーボードを備えることで、長期的な局所化、スティック、3D 動的物体検出のベンチマークが可能になります。

ABSTRACT

The Boreas dataset was collected by driving a repeated route over the course of one year, resulting in stark seasonal variations and adverse weather conditions such as rain and falling snow. In total, the Boreas dataset includes over 350km of driving data featuring a 128-channel Velodyne Alpha Prime lidar, a 360$^\circ$ Navtech CIR304-H scanning radar, a 5MP FLIR Blackfly S camera, and centimetre-accurate post-processed ground truth poses. Our dataset will support live leaderboards for odometry, metric localization, and 3D object detection. The dataset and development kit are available at https://www.boreas.utias.utoronto.ca

研究の動機と目的

• 悪天候を伴う長期的かつマルチシーズンの自律走行データセットの不足を解消すること。
• 現実の季節的および気象的変化下での周辺環境認識および局所化システムの耐障害性を評価可能にする。
• LiDAR、レーダー、カメラを含む高精細なマルチモーダルセンサーセットを提供し、包括的なシステムベンチマークを可能にする。
• RTX補正付き GNSS/IMU を用いたグローバルに一貫性のあるセンチメートル精度の真値ポーズを提供することで、長期的局所化研究を支援する。
• 雪や雨などの劣化状況におけるビジュアル、LiDAR、レーダーベースのパイプラインの比較分析を可能にする。

提案手法

• 全4シーズンにわたって繰り返し走行したルートで、合計 350km の走行データを収集。雨や雪のイベントも含む。
• ブイック車両に 128 ビームの Velodyne Alpha Prime LiDAR、360° の Navtech CIR304-H レーダー、5MP の FLIR Blackfly S カメラを搭載。
• Applanix POS LV を用い、RTX補正を施した GNSS、IMU、ホイールエンコーダーのデータを後処理することで、センチメートルレベルのポーズ精度を達成。
• 320,000 個のボックスを含む 7,100 フレームの 3D 動的物体アノテーションを、晴天下で収集。
• 標準化された評価指標を用いて、オドメトリ、メトリック局所化、3D 動的物体検出のためのライブでオープンなリーダーボードを実装。
• センサーデータアクセス、モーション補正、座標変換、3D ボクシングの可視化を可能にする Python ベースの開発キットを構築。

実験結果

リサーチクエスチョン

• RQ1 周辺環境認識および局所化システムは、長期間にわたる季節的および悪天候条件（例：雪や雨）下でどのように性能を発揮するか。
• RQ2 カメラ、LiDAR、レーダーといった異なるセンサーモダリティは、季節的変化および悪天候下でどの程度耐障害性を維持できるか。
• RQ3 季節的変化に起因する地図の劣化は、自律走行システムにおける長期的局所化精度にどのように影響を与えるか。
• RQ4 マルチモーダルセンサーフュージョンは、単一モダリティのアプローチと比較して、悪天候下での耐障害性を向上させられるか。
• RQ5 多様な環境条件下で、不確実性の見積もりがどの程度一貫性を持つのか。

主な発見

• Boreas データセットには、全4シーズンにわたる走行データが 350km 以上収集されており、重い雨や降雪を伴う複数のシーケンスが含まれる。
• RTX補正付き GNSS/IMU データを用いることで、センチメートル精度の真値ポーズが提供され、高精度なベンチマークが可能になる。
• 320,000 個の 3D ボクシングアノテーションを含む合計 7,100 フレームのデータが、晴天下で物体検出の評価のために収集された。
• オドメトリ、メトリック局所化、3D 動的物体検出のためのライブリーダーボードが提供されており、RMSE および一貫性スコアを用いた標準化された評価が実施されている。
• 開発キットにより、センサーデータのアクセス、モーション補正、結果の可視化（3D ボックスの投影やリー群変換を含む）が可能である。
• 評価フレームワークは、並進誤差と回転誤差の RMSE を計算し、不確実性見積もりのための一貫性スコアも算出する。理想的な値は 1 に近い。