[論文レビュー] UrbanLoco: A Full Sensor Suite Dataset for Mapping and Localization in Urban Scenes

Weisong Wen, Yiyang Zhou+6 more|arXiv (Cornell University)|Dec 19, 2019

Robotics and Sensor-Based Localization参考文献 27被引用数 9

ひとこと要約

UrbanLocoは、サンフランシスコおよび香港の高密度都市環境における自律走行車両のマッピングと局所化を目的とした大規模でフルセンサーセットのデータセットを提供する。全13のトラジェクトリが合計40 km以上にわたる。同期されたLiDAR、カメラ（360°および魚眼）、IMU、RTK-GNSSを含み、都市部の信号遮断、動的物体、複雑な地形といった現実世界の都市課題に直面するSLAMおよび局所化アルゴリズムの厳密な評価を可能にする。

ABSTRACT

Mapping and localization is a critical module of autonomous driving, and significant achievements have been reached in this field. Beyond Global Navigation Satellite System (GNSS), research in point cloud registration, visual feature matching, and inertia navigation has greatly enhanced the accuracy and robustness of mapping and localization in different scenarios. However, highly urbanized scenes are still challenging: LIDAR- and camera-based methods perform poorly with numerous dynamic objects; the GNSS-based solutions experience signal loss and multipath problems; the inertia measurement units (IMU) suffer from drifting. Unfortunately, current public datasets either do not adequately address this urban challenge or do not provide enough sensor information related to mapping and localization. Here we present UrbanLoco: a mapping/localization dataset collected in highly-urbanized environments with a full sensor-suite. The dataset includes 13 trajectories collected in San Francisco and Hong Kong, covering a total length of over 40 kilometers. Our dataset includes a wide variety of urban terrains: urban canyons, bridges, tunnels, sharp turns, etc. More importantly, our dataset includes information from LIDAR, cameras, IMU, and GNSS receivers. Now the dataset is publicly available through the link in the footnote. Dataset Link: https://advdataset2019.wixsite.com/urbanloco.

研究の動機と目的

• 高密度で複雑な環境における都市マッピングと局所化の課題に焦点を当てた、公開・大規模データセットの不足に対処すること。
• マルチモードの局所化研究を支援するため、LiDAR、マルチビュー・カメラ、IMU、RTK-GNSSを含む包括的なセンサーセットを提供すること。
• 都市化の強度を定量化することで、異なる環境における局所化の難易度をよりよく評価すること。
• 動的物体や信号劣化を伴う現実世界の都市条件において、最先端のSLAMおよび局所化アルゴリズムのベンチマークを可能にすること。
• 校正済みで公開可能なデータとAPIを提供することで、強固なセンサーフュージョンベースの局所化システムの開発を支援すること。

提案手法

• サンフランシスコおよび香港で合計13のトラジェクトリを収集し、都市の谷間、トンネル、ブリッジ、急カーブを含む多様な都市地形を40 km以上カバー。
• 車両にフルセンサーセットを搭載：サンフランシスコでは360°カメラ、香港では魚眼スカイカメラ、32ビームLiDAR、IMU、および局所ベースステーションからの補正を受けるRTK-GNSS受信機。
• 包括的なキャリブレーションプロセスを用いてすべてのセンサーをキャリブレーションし、校正ログを公開することで、正確なセンサーアライメントを保証。
• RTK-GNSSを用いて高精度な真値（良好な衛星可視性下では2 cmの誤差）を提供し、GNSS遮断時における継続的なデッドレコニングにはIMUを活用。
• アルゴリズム評価のための半リアルタイム再生を実装し、SLAM処理の収束性と安定性を確保。
• 環境の複雑さを定量化するための都市化指標を定義・適用し、データセット間での比較分析を可能に。

実験結果

リサーチクエスチョン

• RQ1 動的物体が多数存在し、信号が遮断されるような高密度都市環境において、最先端のLiDARベースのSLAMアルゴリズムはどの程度の性能を示すか？
• RQ2 VINS-MONOのようなビジュアルベースのSLAM手法は、急速な照明変化や複雑な都市幾何構造の下でどの程度の失敗を示すか？
• RQ3 IMUおよびGNSSを統合したセンサーフュージョンは、GNSS信号が途切れやすい都市の谷間環境において、局所化のロバストネスをどの程度向上させるか？
• RQ4 建物密度と信号遮断を測定した都市化強度が、実世界のデータセットにおける局所化誤差に与える影響は何か？
• RQ5 UrbanLocoのようなフルセンサーセットデータセットは、挑戦的な都市環境における次世代局所化システムの評価に信頼できるベンチマークとして機能できるか？

主な発見

• LOAMベースのSLAM手法は、動的物体が存在するシーンで1 kmあたり10 mを超える変位誤差を示し、顕著な高度変化が生じる領域では20 m/kmを超える誤差を示した。
• NDTベースのアルゴリズムは5.9 kmのルートで100 mを超える変位誤差を生じさせ、複雑な都市環境における顕著な性能劣化を示した。
• VINS-MONOはLiDARベースの手法よりも優れた変位性能を示したが、特に急な操舵時に高いロール/ピッチ/ヨー誤差を示した。
• 収集時刻がサンフランシスコのラッシュアワーに重なった最も困難なルートでは、現在のSLAMアルゴリズムを用いても最も歪んだマップが生成された。これは、動的都市シーンの困難さを強く示している。
• GNSSベースの真値は良好な衛星可視性下で2 cmの精度を維持したが、GNSS遮断後10秒間はIMU単体でも位置誤差が12 cm以内に収まった。
• このデータセットの都市化指標は、環境の複雑さを効果的に定量化できており、KITTIやRobotCarといった既存データセットがUrbanLocoに比べて顕著に都市化度が低いことが明らかになった。