[论文解读] Boreas: A Multi-Season Autonomous Driving Dataset
Boreas 是一个在加拿大 Toronto 收集的大型多季节自动驾驶数据集，总里程达 350 公里，涵盖所有季节及恶劣天气条件，包含高保真度的 128 束光束激光雷达、360° 雷达和 500 万像素相机数据。该数据集支持长期定位、里程计和 3D 目标检测的基准测试，提供厘米级精度的真实姿态标签，并支持实时排行榜。
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
研究动机与目标
- 解决缺乏长期、多季节、具备恶劣天气条件的自动驾驶数据集的问题。
- 在真实世界季节性与气象变化条件下，实现对感知与定位系统的鲁棒性评估。
- 提供高保真度、多模态传感器套件，包括激光雷达、雷达与相机，以支持全面的系统基准测试。
- 通过 RTX 校正的 GNSS/IMU 实现全局一致、厘米级精度的真实姿态标签，支持长期定位研究。
- 在降雪、降雨等退化场景中，促进视觉、激光雷达与雷达基处理流程的对比分析。
提出的方法
- 在重复路线上采集超过 350 公里的驾驶数据，覆盖四个季节，包括降雨与降雪事件。
- 在一辆别克汽车上安装了 128 束光束的 Velodyne Alpha Prime 激光雷达、360° 的 Navtech CIR304-H 雷达以及 500 万像素的 FLIR Blackfly S 相机。
- 通过 Applanix POS LV 对 GNSS、IMU 和轮速编码器数据进行后处理，并结合 RTX 校正，实现厘米级姿态精度。
- 在晴天条件下，使用包含 32 万个边界框的数据集，对 7,100 帧图像进行了 3D 目标标注。
- 采用标准化评估指标，实现对里程计、度量定位与 3D 目标检测的实时、公开排行榜。
- 开发了基于 Python 的工具包，支持传感器数据访问、运动校正、坐标变换以及 3D 边界框的可视化。
实验结果
研究问题
- RQ1在长期季节性变化与恶劣天气（如降雪与降雨）条件下，感知与定位系统的表现如何？
- RQ2不同传感器模态（相机、激光雷达与雷达）在季节性变化与恶劣天气下的鲁棒性差异有多大？
- RQ3由于季节变化导致的地图退化，如何影响自动驾驶系统中长期定位的准确性？
- RQ4与单模态方法相比，多模态传感器融合是否能在恶劣条件下提升系统鲁棒性？
- RQ5在多样化环境条件下，定位估计的不确定性量化是否保持一致？
主要发现
- Boreas 数据集包含超过 350 公里的驾驶数据，覆盖四个季节，包含多次强降雨与降雪序列。
- 通过 RTX 校正的 GNSS/IMU 数据，提供厘米级精度的真实姿态标签，支持高精度基准测试。
- 在晴天条件下，共采集了 7,100 帧图像，包含 320,000 个 3D 边界框标注，用于目标检测评估。
- 数据集支持对里程计、度量定位与 3D 目标检测的实时排行榜，采用 RMSE 与一致性评分等标准化评估指标。
- 开发工具包支持用户访问传感器数据、应用运动校正，并可视化结果，包括 3D 框投影与李群变换。
- 评估框架计算平移与旋转误差的 RMSE，以及不确定性估计的一致性评分，理想值接近 1。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。