[论文解读] INSANE: Cross-Domain UAV Data Sets with Increased Number of Sensors for developing Advanced and Novel Estimators

Christian Brommer, Alessandro Fornasier+5 more|arXiv (Cornell University)|Oct 17, 2022

Robotics and Sensor-Based Localization被引用 4

一句话总结

本文介绍了INSANE，一个包含18种传感器（包括多个IMU、GNSS、UWB和摄像头）的跨领域无人机数据集，专为高级定位与传感器融合研究而设计。该数据集提供了厘米级RTK-GNSS和运动捕捉真值，覆盖室内、室外及火星类比环境，可实现对长期自主性和新型估计算法在真实世界条件下的稳健测试。

ABSTRACT

For real-world applications, autonomous mobile robotic platforms must be capable of navigating safely in a multitude of different and dynamic environments with accurate and robust localization being a key prerequisite. To support further research in this domain, we present the INSANE data sets - a collection of versatile Micro Aerial Vehicle (MAV) data sets for cross-environment localization. The data sets provide various scenarios with multiple stages of difficulty for localization methods. These scenarios range from trajectories in the controlled environment of an indoor motion capture facility, to experiments where the vehicle performs an outdoor maneuver and transitions into a building, requiring changes of sensor modalities, up to purely outdoor flight maneuvers in a challenging Mars analog environment to simulate scenarios which current and future Mars helicopters would need to perform. The presented work aims to provide data that reflects real-world scenarios and sensor effects. The extensive sensor suite includes various sensor categories, including multiple Inertial Measurement Units (IMUs) and cameras. Sensor data is made available as raw measurements and each data set provides highly accurate ground truth, including the outdoor experiments where a dual Real-Time Kinematic (RTK) Global Navigation Satellite System (GNSS) setup provides sub-degree and centimeter accuracy (1-sigma). The sensor suite also includes a dedicated high-rate IMU to capture all the vibration dynamics of the vehicle during flight to support research on novel machine learning-based sensor signal enhancement methods for improved localization. The data sets and post-processing tools are available at: https://sst.aau.at/cns/datasets

研究动机与目标

• 解决真实世界定位研究中缺乏公开、高保真、多环境无人机数据集的问题。
• 在多样环境（室内、室外及火星类比）中提供准确、原始的真值，避免滤波引起的伪影。
• 支持跨领域自主研究，包括GNSS可用与GNSS拒止环境之间的过渡。
• 通过高采样率、易受振动影响的传感器数据，促进基于机器学习的传感器信号增强与状态估计算法的开发。
• 通过真实环境效应（如电磁干扰和信号衰减）支持视觉-惯性、UWB及多传感器融合算法的基准测试。

提出的方法

• 部署一架配备18种传感器的定制微型飞行器（MAV），包括双RTK-GNSS、多个IMU（含高采样率MEMS）、立体摄像头、UWB和LRF。
• 采用双天线RTK-GNSS系统并辅以定制电磁屏蔽，实现水平位置精度1 cm（1-σ）、垂直位置精度2 cm。
• 集成运动捕捉系统以提供室内真值，并利用标识标记场弥合室外到室内过渡区域的真值断点。
• 通过双嵌入式平台与四个存储单元（每块板卡配备SD和SSD）记录原始传感器数据，最大化数据吞吐量。
• 应用标记物-物体关联方法，将标识标记位姿与RTK-GNSS及运动捕捉数据对齐，确保全局与局部真值的连续性。
• 设计数据采集系统以平衡计算负载，并充分利用USB3和传感器接口带宽。

实验结果

研究问题

• RQ1 如何构建一个统一的、支持跨环境定位的多环境无人机数据集，涵盖室内、室外及行星类比条件？
• RQ2 在过渡区域，结合RTK-GNSS、运动捕捉与标识标记，可实现何种精度的真值？
• RQ3 真实世界传感器效应（如电磁干扰、信号中断和振动动力学）如何影响状态估计与传感器融合性能？
• RQ4 高采样率IMU数据在多大程度上可提升基于机器学习的信号增强与定位算法性能？
• RQ5 标准化、开放且可扩展的数据集格式在多大程度上可支持自主飞行算法的长期演进与基准测试？

主要发现

• INSANE数据集通过双天线RTK-GNSS系统并辅以有效电磁屏蔽，实现了亚厘米级定位精度（水平1 cm，垂直2 cm）。
• 真值覆盖三种不同环境：室内运动捕捉环境、带GNSS的室外飞行环境，以及火星类比室外飞行环境，通过标识标记实现无缝对齐。
• 高采样率IMU数据（1 kHz采样）支持对振动动力学的详细分析，为未来传感器信号增强与噪声建模研究提供支持。
• 数据集包含原始、未经滤波的传感器测量值与真值，消除了滤波引起的伪影，支持更可靠的算法验证。
• 系统成功在四个存储位置（两块嵌入式板卡上的SD与SSD）实现高带宽数据流记录，完全利用了可用接口带宽。
• 该数据集已开源且具备可扩展性，未来计划通过新增场景与传感器配置持续扩展，确保研究社区的长期可用性。