[논문 리뷰] A Commute in Data: The comma2k19 Dataset

Harald Schäfer, Eder Santana외 2명|arXiv (Cornell University)|2018. 12. 14.

Anomaly Detection Techniques and Applications참고 문헌 11인용 수 49

한 줄 요약

본 논문은 원시 GNSS 데이터, 카메라, CAN 로그를 갖춘 밀집한 상용 센서 주행 데이터셋 comma2k19를 소개하고, 위치 추정 정확도를 기초 대비 약 40% 향상시키는 오픈 소스 GNSS 프로세서 Laika를 제시한다. 또한 두 대의 차량 설정에서 GNSS/INS/비전의 강하게 결합된 글로벌 자세를 제공한다.

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.

연구 동기 및 목표

• 저렴한 센서를 사용하여 대규모의 재현 가능한 주행 데이터셋을 제공하고, 상용 하드웨어에서 고성능 로컬라이제이션 및 맵핑을 가능하게 한다.
• GNSS, INS, 비전 융합 방법 및 맵핑 알고리즘의 강하게 결합된 개발과 검증을 가능하게 한다.
• 오픈소스 GNSS 처리 라이브러리 Laika를 소개하고 위치 정확도에 미치는 영향을 실증한다.

제안 방법

• 두 대의 차량에서 캘리포니아의 20 km 고속도로 구간에서 EONs 및 grey panda 로깅, 도로 측면 카메라, 9축 IMU, CAN 데이터, 원시 GNSS 측정을 사용해 데이터를 수집한다.
• Laika로 원시 GNSS 데이터를 처리하여 향상된 위치 추정을 산출한다.
• 강하게 결합된 GNSS/INS/비전 최적화기(MSCKF 기반)를 사용해 글로벌 자세를 계산하고, 로컬 프레임(NED 기반) 방향으로의 방향을 가진 ECEF 프레임 자세를 제공한다.
• 재투영 기반 야코비안과 특징 기반 선형화를 사용해 RMSE를 추정하며 고도 및 자세 오차를 정량화한다.
• ORB 특징의 평균에 대해 프레임을 재로컬라이즈하는 간단한 EM 기반 포즈 보정으로 잠재적인 보정 효과를 시연한다.

실험 결과

연구 질문

• RQ1 밀집한 상용 센서 주행 데이터셋이 강하게 결합된 GNSS/INS/비전 알고리즘의 개발을 어떻게 지원할 수 있는가?
• RQ2 Laika와 같은 오픈소스 라이브러리로 원시 GNSS 데이터를 처리하면 GNSS 위치 추정에서 어떤 개선이 달성될 수 있는가?
• RQ3 제공된 글로벌 자세의 RMSE 특성은 위치(North, East, Down)와 자세(Roll, Pitch, Yaw) 측면에서 어떤가?
• RQ4 고속도로 맵핑에서 포즈 추정에 있어 비전 기반 보정이 GNSS/INS를 어떻게 보완할 수 있는가?

주요 결과

North 위치 RMSE	East 위치 RMSE	Down 위치 RMSE	롤 RMSE	피치 RMSE	요 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°

• comma2k19는 Califonia의 2019년 1분 세그먼트로 구성된 33시간이 넘는 고속도로 주행 데이터를 제공하여 맵핑 연구를 위한 밀집 관측을 가능하게 한다.
• Laika는 데이터 수집에 사용된 기초 GNSS 모듈과 비교하여 위치 오차를 약 40% 감소시킨다.
• 글로벌 자세는 로컬 프레임 방향으로 ECEF로 제공되며; RMSE 추정치로 North 0.6 m, East 0.6 m, Down 0.9 m (RAV4) 및 1.3 m, 1.3 m, 2.0 m (Civic); 자세 RMSE는 모든 축에서 약 0.20–0.25도이다.
• 이 데이터셋은 상용 하드웨어에서 강하게 결합된 GNSS/INS/비전 융합 및 HD 맵 구축 개발을 지원한다.
• 두 개의 차량 구성(2016년식 Honda Civic와 2017년식 Toyota RAV4)은 안테나 배치 및 센서 성능의 변동성을 제공합니다.