[论文解读] CMU-GPR Dataset: Ground Penetrating Radar Dataset for Robot Localization and Mapping

Alexander Baikovitz, Paloma Sodhi+2 more|arXiv (Cornell University)|Jul 15, 2021

Geophysical Methods and Applications被引用 8

一句话总结

本论文介绍了CMU-GPR数据集，这是首个面向机器人定位与制图的开源探地雷达（GPR）数据集，通过在GPS拒收的室内环境中使用定制机器人平台采集。该数据集通过处理后的GPR图像及信号处理和子图生成的实用代码，支持基于地下特征的鲁棒定位，助力SLAM与重定位研究，且仅使用低成本、现成的GPR硬件。

ABSTRACT

There has been exciting recent progress in using radar as a sensor for robot navigation due to its increased robustness to varying environmental conditions. However, within these different radar perception systems, ground penetrating radar (GPR) remains under-explored. By measuring structures beneath the ground, GPR can provide stable features that are less variant to ambient weather, scene, and lighting changes, making it a compelling choice for long-term spatio-temporal mapping. In this work, we present the CMU-GPR dataset--an open-source ground penetrating radar dataset for research in subsurface-aided perception for robot navigation. In total, the dataset contains 15 distinct trajectory sequences in 3 GPS-denied, indoor environments. Measurements from a GPR, wheel encoder, RGB camera, and inertial measurement unit were collected with ground truth positions from a robotic total station. In addition to the dataset, we also provide utility code to convert raw GPR data into processed images. This paper describes our recording platform, the data format, utility scripts, and proposed methods for using this data.

研究动机与目标

• 为解决GPS拒收环境中机器人导航研究缺乏公开、高质量GPR数据集的问题。
• 通过利用GPR可探测到的稳定地下特征，实现独立于地表变化的鲁棒、长期定位。
• 通过提供标准化数据集和处理流程，支持使用GPR进行同步定位与地图构建（SLAM）的研究。
• 通过发布原始数据、真实值和实用代码，促进GPR感知研究的可复现性与进展。

提出的方法

• 使用手动牵引的SuperVision平台采集数据，该平台配备单通道GPR、IMU、轮速编码器、RGB相机及用于真实值的机器人全站仪。
• 原始GPR信号通过包含橡胶带插值、背景消除、去嗡鸣滤波、带通滤波、时间校正、SEC增益、小波去噪和高斯滤波的处理流程进行处理。
• 通过模块化的图像构建API，将处理后的1D GPR波形转换为2D图像表示（雷达图），实现一致的空间采样。
• 实现了一种自定义的GPR图像对象，支持基于时间的处理图像访问及子图提取。
• 开发了实用脚本，用于从序列中生成子图，支持基于GPR的定位模型的训练与评估。
• 该数据集包含三个室内环境（地下室、工厂车间、停车场）中的15条轨迹序列，真实值由机器人全站仪提供。

实验结果

研究问题

• RQ1 低成本、现成的单通道GPR系统是否能在GPS拒收环境中提供稳定、可重复的地下特征，适用于机器人定位？
• RQ2 与原始1D波形或3D点云相比，GPR数据的2D图像表示在特征提取与定位方面的有效性如何？
• RQ3 在因子图框架中，通过学习的GPR传感器模型在闭环检测期间校正漂移方面，能在多大程度上提升定位精度？
• RQ4 CMU-GPR数据集是否能支持基于GPR的SLAM系统在一致地下结构表示下的有效训练与评估？
• RQ5 地下成分的环境差异及传感器噪声对基于GPR的定位与制图性能有何影响？

主要发现

• CMU-GPR数据集包含15条独立的轨迹序列，覆盖三个GPS拒收的室内环境，每条序列均配有同步的多传感器数据及来自机器人全站仪的真实值。
• 信号处理流程成功将原始、非均匀采样的GPR数据转换为均匀采样、去噪的2D雷达图，适用于特征提取。
• 实用代码支持从完整序列中自动生成子图，促进基于GPR的定位模型的训练与评估。
• 该数据集通过提供可重复的路径和不同环境条件下一致的地下特征，支持重定位与SLAM研究。
• 研究发现，使用GPR数据的2D图像表示在识别地下环境中独特且稳定的特征方面，比原始1D波形更有效。
• 数据集及配套工具的公开发布，有望加速实际部署中鲁棒、基于GPR的导航研究的进展。