[論文レビュー] Wild-Places: A Large-Scale Dataset for Lidar Place Recognition in Unstructured Natural Environments

Joshua Knights, Kavisha Vidanapathirana+4 more|arXiv (Cornell University)|Nov 23, 2022

Remote Sensing and LiDAR Applications被引用数 10

ひとこと要約

本論文は、オーストラリアのブリスベンに位置する2つの国立公園で14か月にわたり、ハンドヘルドセンサを用いて収集した大規模なリモートセンシング点群データセット「Wild-Places」を紹介する。このデータセットには、63,000個の歪みのないリモートセンシング点群サブマップが含まれており、それぞれに6自由度（6DoF）の真値が付与されている。本データセットは、長期的な場所認識のベンチマークを可能にし、特に14か月の時間差での再訪問において顕著な性能低下を明らかにした。これは、動的な自然環境において、植生の変化や視点の変化が最先端の手法の性能を著しく低下させることを示しており、自然環境におけるロボットの長期的局所化の課題を浮き彫りにしている。

ABSTRACT

Many existing datasets for lidar place recognition are solely representative of structured urban environments, and have recently been saturated in performance by deep learning based approaches. Natural and unstructured environments present many additional challenges for the tasks of long-term localisation but these environments are not represented in currently available datasets. To address this we introduce Wild-Places, a challenging large-scale dataset for lidar place recognition in unstructured, natural environments. Wild-Places contains eight lidar sequences collected with a handheld sensor payload over the course of fourteen months, containing a total of 63K undistorted lidar submaps along with accurate 6DoF ground truth. Our dataset contains multiple revisits both within and between sequences, allowing for both intra-sequence (i.e. loop closure detection) and inter-sequence (i.e. re-localisation) place recognition. We also benchmark several state-of-the-art approaches to demonstrate the challenges that this dataset introduces, particularly the case of long-term place recognition due to natural environments changing over time. Our dataset and code will be available at https://csiro-robotics.github.io/Wild-Places.

研究の動機と目的

• 未構造的自然環境における大規模かつ長期的なリモートセンシング点群データセットの不足を補うため、長期的なロボット局所化に不可欠なデータセットを提供すること。
• 自然地形におけるシーケンス内（ループクロージャ）およびシーケンス間（再局所化）の場所認識タスクをサポートするベンチマークデータセットを提供すること。
• 長期間にわたり実際の環境変化が生じる状況下で、最先端のリモートセンシング点群の場所認識手法の性能を評価すること。
• 濃い森における動的な植生、視点の変化、遮蔽の影響によって引き起こされる長期的認識の主な課題を特定すること。
• 自然環境における3次元シーン理解および意味的セグメンテーション分野における今後の研究基盤を構築すること。

提案手法

• 本データセットは、オーストラリアのブリスベンに位置する2つの国立公園で、合計33kmの走行距離をカバーする8つのシーケンスにわたり、ハンドヘルドリモートセンシングセンサを用いて収集された。
• 各シーケンスは複数か月にわたり収集され、最大14か月の時間差を含む長期的な再訪問を可能にした。
• 63,000個の歪みのないリモートセンシング点群サブマップが抽出され、それぞれにSLAMシステムから得られた正確な6DoF真値が付与された。
• 本データセットには、シーケンス内およびシーケンス間の再訪問が含まれており、ループクロージャおよび再局所化タスクの評価を可能にした。
• 標準化されたベンチマーク評価を可能にするために、トレーニングおよびテスト用の分割が確立された。
• 最先端の手法（ScanContext、VoxelNet、および学習ベースのアプローチを含む）が、シーケンス内およびシーケンス間の両タスクで評価された。

実験結果

リサーチクエスチョン

• RQ1 最先端のリモートセンシング点群場所認識手法は、未構造的自然環境における長期的再訪問において、どの程度の性能を示すか？
• RQ2 季節的および環境的変化は、数か月の時間差で収集されたリモートセンシング点群サブマップの類似度にどのような影響を与えるか？
• RQ3 同じ場所が反対方向から撮影される逆方向再訪問は、濃い森環境における既存の場所認識モデルにどのような課題をもたらすか？
• RQ4 クエリとデータベースのシーケンス間の時間ギャップが、シーケンス間再局所化性能にどの程度悪影響を及えるか？
• RQ5 遮蔽パターンや樹冠密度は、自然シーンにおけるリモートセンシング記述子の識別力にどのような影響を及えるか？

主な発見

• Karawathaサイトでは、最も性能の優れた手法でも、シーケンス間再局所化においてトップ1リコールが74.67%にとどまり、都市部のベンチマークで見られる90%以上の性能とは顕著に低い。
• クエリとデータベースのシーケンス間の時間ギャップが同日から14か月に拡大した際、トップ1リコールが最大45.1%低下した。特にVenman環境で顕著な低下が観察された。
• 逆方向再訪問の数が最も多いV-03シーケンスは、最も挑戦的であった。ScanContextは、樹冠による遮蔽と特徴的な垂直構造の欠如により、性能が急激に低下した。
• 濃い屋上植生と逆方向走行時の重複しない遮蔽が、特に上から見た図式または高さベースの符号化に依存する手法の性能を著しく低下させた。
• 最も優れたモデルですら、長期的認識に苦戦しており、自然環境における環境の動的変化への耐性に深刻なギャップがあることが示された。
• 本データセットは、葉の成長、季節の変化、時間経過に伴う植生の動きといった、徐々に変化する環境要因に対して、現在のリモートセンシング点群場所認識モデルが耐性を持たないことを明らかにした。