[论文解读] 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 4

一句话总结

CARLA-Loc 是在 CARLA 模拟器中生成的合成 SLAM 数据集，包含全栈传感器融合（激光雷达、摄像头、IMU、事件相机）以及在 7 个地图和 42 个序列中精确校准的传感器数据，覆盖多种天气和动态环境条件。该数据集支持对 SLAM 算法进行受控且可重复的评估，表明 IMU 融合与基于语义分割的动态物体去除可显著提升复杂环境下的定位精度。

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.

研究动机与目标

• 为解决在动态和恶劣天气条件下评估 SLAM 算法鲁棒性时缺乏受控且可重复的基准数据集的问题。
• 提供一个合成数据集，其中在不同环境扰动下保持一致的自车运动轨迹，以实现公平的算法比较。
• 通过真实标注数据，支持对天气、动态物体和传感器融合对 SLAM 性能影响的定量分析。
• 通过提供点云的语义分割标签，支持面向动态感知的激光雷达 SLAM 研究，实现点云过滤。
• 作为标准化基准，用于在真实但受控的挑战下评估视觉、激光雷达及多传感器 SLAM 算法。

提出的方法

• 在 7 个多样化地图（城市、乡村、高速公路）中使用 CARLA 模拟器生成 42 个序列，所有序列采用相同的自车轨迹以支持横向比较。
• 集成全栈传感器：双目摄像头、深度摄像头、事件相机、激光雷达和 IMU，实现严格的校准、同步与时间戳标记。
• 对双目图像和激光雷达点云均应用真实语义分割，支持在评估中移除动态物体的点云。
• 通过控制天气（晴朗、雾天、雨天）和动态物体数量（静态、动态）实现环境条件的一致变化，同时保持自车轨迹不变。
• 使用 CARLA 录制功能，确保在不同天气和动态场景下轨迹完全一致，以实现公平的性能比较。
• 在序列中评估 5 种基于视觉的和 4 种基于激光雷达的 SLAM 算法，对比原始结果、分割后结果及 IMU 增强结果。

实验结果

研究问题

• RQ1 不同天气条件（如雾天、雨天）如何影响基于视觉和激光雷达的 SLAM 算法的定位精度？
• RQ2 动态物体（如车辆、行人）在多大程度上降低 SLAM 性能？这种影响能否被有效缓解？
• RQ3 在动态和恶劣天气条件下，IMU 数据的融合如何提升 SLAM 系统的鲁棒性？
• RQ4 通过语义分割预处理移除动态物体点云后，对定位精度有何影响？
• RQ5 在动态和恶劣条件下，直接激光雷达里程计方法（如 FAST-LIO）与基于特征的方法相比，其鲁棒性如何？

主要发现

• 动态物体的存在显著增加了 SLAM 系统的相对位姿误差，其中 A-LOAM 和 LeGO-LOAM 在地图 07 的动态条件下误差最高达到 147.27 mm。
• IMU 融合显著降低了定位误差：在地图 07 的动态序列中，FAST-LIO(F) 的相对位姿误差为 1.95 mm，而未使用 IMU 时为 16.72 mm。
• 基于语义分割的动态点云移除使 A-LOAM 的误差从原始动态条件下的 16.72 mm 降低至 5.97 mm，显示出可测量的性能提升。
• 直接激光雷达里程计方法 FAST-LIO2（无需特征提取）在动态干扰下表现出更强的鲁棒性，在大多数序列中优于基于特征的变体。
• LeGO-LOAM 因依赖地面平面特征，对动态物体最为敏感，在动态场景中误差增加最多（最高达 147.27 mm）。
• 在恶劣天气条件下，视觉 SLAM 性能显著下降，雨天和雾天条件下相对位姿误差更高，尤其在高动态内容的序列中更为明显。