[論文レビュー] CARLA-Loc: Synthetic SLAM Dataset with Full-stack Sensor Setup in Challenging Weather and Dynamic Environments

Yuhang Han, Zhengtao Liu+5 more|arXiv (Cornell University)|Sep 16, 2023

Robotics and Sensor-Based Localization被引用数 4

ひとこと要約

CARLA-Loc は、さまざまな天候および動的状況下で、7つのマップと42のシーケンスにおいて完全なスタックセンサーフュージョン（LiDAR、カメラ、IMU、イベントカメラ）と正確なキャリブレーションを備えた合成SLAMデータセットであり、CARLAシミュレータで生成されたものである。このデータセットは、SLAMアルゴリズムの制御可能で再現可能な評価を可能にし、IMU統合とセマンティックセグメンテーションを用いた動的オブジェクト除去が、困難な環境下での局所化精度を顕著に向上させることを示している。

ABSTRACT

The robustness of SLAM (Simultaneous Localization and Mapping) algorithms under challenging environmental conditions is critical for the success of autonomous driving. However, the real-world impact of such conditions remains largely unexplored due to the difficulty of altering environmental parameters in a controlled manner. To address this, we introduce CARLA-Loc, a synthetic dataset designed for challenging and dynamic environments, created using the CARLA simulator. Our dataset integrates a variety of sensors, including cameras, event cameras, LiDAR, radar, and IMU, etc. with tuned parameters and modifications to ensure the realism of the generated data. CARLA-Loc comprises 7 maps and 42 sequences, each varying in dynamics and weather conditions. Additionally, a pipeline script is provided that allows users to generate custom sequences conveniently. We evaluated 5 visual-based and 4 LiDAR-based SLAM algorithms across different sequences, analyzing how various challenging environmental factors influence localization accuracy. Our findings demonstrate the utility of the CARLA-Loc dataset in validating the efficacy of SLAM algorithms under diverse conditions.

研究の動機と目的

• 動的かつ悪天候条件下でのSLAMの耐障害性を評価するための制御可能で再現可能なベンチマークデータセットの不足に対処すること。
• 環境的擾乱（変動）にさらされても一貫した自己移動軌跡を有する合成データセットを提供し、アルゴリズムの公平な比較を可能にすること。
• 地上真値アノテーションを用いて、天候、動的オブジェクト、センサーフュージョンの影響がSLAMパフォーマンスに与える影響を定量的分析すること。
• セマンティックセグメンテーションラベルを提供することで、動的認識を考慮したLiDAR SLAMの研究を支援すること。
• 実際の条件下ではあるが制御可能な課題を提示する標準化されたベンチマークとして、視覚的・LiDAR・マルチセンサースラムアルゴリズムの評価を支援すること。

提案手法

• CARLAシミュレータを用いて、都市部、田園部、高速道路を含む7つの多様なマップで42のシーケンスを生成し、横方向比較を可能にするために同一の自己移動軌跡を採用した。
• ステレオカメラ、深度カメラ、イベントカメラ、LiDAR、IMUを含むフルスタックセンサーフュージョンを実装し、厳密なキャリブレーション、同期、タイムスタンプ処理を実施した。
• ステレオ画像およびLiDARポイントクラウドの両方に対して地上真値のセマンティックセグメンテーションを適用し、評価のための動的オブジェクトポイントの除去を可能にした。
• 天候（快晴、濃霧、雨）と動的オブジェクトのレベル（静的、動的）を制御することで、一貫した環境変動を実現したが、自己移動軌跡は維持した。
• CARLAのレコーダ機能を活用し、異なる天候および動的状況下でも同一の軌跡を再現することで、パフォーマンス比較の公平性を確保した。
• 5つの視覚ベースのおよび4つのLiDARベースのSLAMアルゴリズムをシーケンス全体で評価し、原始的、セグメンテーション適用、IMU補強の各結果を比較した。

実験結果

リサーチクエスチョン

• RQ1 濃霧や雨などの異なる天候条件が、視覚的およびLiDARベースのSLAMアルゴリズムの局所化精度にどのように影響を与えるか？
• RQ2 車両や歩行者などの動的オブジェクトはSLAMパフォーマンスをどの程度悪化させるか。また、その影響をどのように軽減できるか？
• RQ3 IMUデータの統合は、動的かつ悪天候条件下でのSLAMシステムの耐障害性をどの程度向上させるか？
• RQ4 セマンティックセグメンテーションを用いて動的オブジェクトからのポイントクラウドを事前処理することで、局所化精度にどのような影響を与えるか？
• RQ5 特徴抽出を伴わない直接的LiDARオドメトリ（例：FAST-LIO）は、特徴ベースの手法と比較して、動的および悪条件下での耐障害性に優れているか？

主な発見

• 動的オブジェクトの存在は、SLAMシステムの相対姿勢誤差を顕著に増加させる。A-LOAMとLeGO-LOAMは、マップ07において動的状況下で最大147.27 mmの誤差を示した。
• IMU統合により、局所化誤差が顕著に低減された。FAST-LIO(F)は、マップ07で動的シーケンスにおいて1.95 mmの相対姿勢誤差を達成したのに対し、IMUなしでは16.72 mmであった。
• セマンティックセグメンテーションを用いた動的ポイントの除去により、A-LOAMの誤差は、原始的動的状態の16.72 mmから、セグメンテーション適用後の5.97 mmにまで低下した。これは顕著な改善を示している。
• 特徴抽出を伴わない直接的LiDARオドメトリ手法であるFAST-LIO2は、動的擾乱に対して優れた耐障害性を示し、大多数のシーケンスで特徴ベースのバージョンを上回った。
• LeGO-LOAMは、地面平面特徴に依存しているため、動的オブジェクトに対して最も感受性が高く、動的シーンでは最大147.27 mmの誤差増加を示した。
• 悪天候下では、視覚SLAMのパフォーマンスが顕著に低下し、特に高密度の動的コンテンツを含むシーケンスでは、雨天および濃霧状況で相対姿勢誤差が高くなった。