[论文解读] Multi-Modal Lidar Dataset for Benchmarking General-Purpose Localization and Mapping Algorithms

Qingqing Li, Xianjia Yu+2 more|arXiv (Cornell University)|Mar 7, 2022

Remote Sensing and LiDAR Applications被引用 4

一句话总结

本论文提出了一种新型多模态激光雷达数据集，包含五种不同类型的激光雷达传感器——旋转式（16、64、128通道）和固态式（Livox Horizon、Avia）——以及一个激光雷达-相机系统，数据在室内、室外、森林和城市环境中采集，采用动作捕捉（MOCAP）系统实现亚毫米级精度。该数据集可用于基准测试通用SLAM算法，结果显示在森林等户外环境中，固态激光雷达在性能上优于旋转式激光雷达（平均ATE为4厘米）；而在室内环境中，旋转式激光雷达由于具备全视场覆盖，仍表现出更高的鲁棒性。

ABSTRACT

Lidar technology has evolved significantly over the last decade, with higher resolution, better accuracy, and lower cost devices available today. In addition, new scanning modalities and novel sensor technologies have emerged in recent years. Public datasets have enabled benchmarking of algorithms and have set standards for the cutting edge technology. However, existing datasets are not representative of the technological landscape, with only a reduced number of lidars available. This inherently limits the development and comparison of general-purpose algorithms in the evolving landscape. This paper presents a novel multi-modal lidar dataset with sensors showcasing different scanning modalities (spinning and solid-state), sensing technologies, and lidar cameras. The focus of the dataset is on low-drift odometry, with ground truth data available in both indoors and outdoors environment with sub-millimeter accuracy from a motion capture (MOCAP) system. For comparison in longer distances, we also include data recorded in larger spaces indoors and outdoors. The dataset contains point cloud data from spinning lidars and solid-state lidars. Also, it provides range images from high resolution spinning lidars, RGB and depth images from a lidar camera, and inertial data from built-in IMUs. This is, to the best of our knowledge, the lidar dataset with the most variety of sensors and environments where ground truth data is available. This dataset can be widely used in multiple research areas, such as 3D LiDAR simultaneous localization and mapping (SLAM), performance comparison between multi-modal lidars, appearance recognition and loop closure detection. The datasets are available at: https://github.com/TIERS/tiers-lidars-dataset.

研究动机与目标

• 为解决当前缺乏多样化、多模态激光雷达数据集且具备高精度真值以用于基准测试通用定位与建图算法的问题。
• 通过包含多种激光雷达类型（如高分辨率旋转式、固态式以及激光雷达-相机传感器）来支持无传感器依赖的SLAM研究。
• 实现对不同扫描模式、视场角限制及扫描图案在室内外环境中性能的对比分析。
• 在森林等代表性不足的复杂环境中提供高精度真值，以支持研究。
• 促进多传感器融合与鲁棒激光雷达里程计的研究，特别是在非结构化和特征稀疏环境中的应用。

提出的方法

• 使用集成五种不同激光雷达传感器和一个激光雷达相机的多模态数据采集平台，各传感器具有独特的扫描模式和视场特性。
• 通过高精度动作捕捉（MOCAP）系统在室内外环境中记录真值轨迹，实现亚毫米级精度。
• 数据集包含来自旋转式激光雷达（VLP-16、OS1-64、OS1-128）的同步点云、来自高分辨率旋转式激光雷达的范围图像，以及来自RealSense L515激光雷达相机的RGB/深度图像。
• 还记录了激光雷达内置IMU的惯性数据，以支持紧耦合SLAM和运动补偿。
• 数据集包含大型室内大厅和城市道路序列，用于评估长距离性能和建图质量。
• 对不同传感器数据应用标准SLAM算法（如LeGo-LOAM、FLIO、LIOL），以定量比较不同传感器类型和环境下的性能表现。

实验结果

研究问题

• RQ1 在多样化环境中，通用SLAM算法在固态激光雷达与旋转式激光雷达上的表现如何？
• RQ2 视场角受限和非重复扫描模式对激光雷达里程计与建图精度和稳定性有何影响？
• RQ3 在森林等户外特征稀疏环境中，固态激光雷达能否实现与旋转式激光雷达相当或更优的性能？
• RQ4 在旋转式激光雷达中，随着垂直分辨率和扫描密度的提升，SLAM算法的性能如何变化？
• RQ5 当在复杂室内环境中应用时，现有SLAM算法在固态激光雷达数据上失败或发散的程度如何？

主要发现

• 在户外森林环境（Forest01、Forest02、Road02）中，基于固态激光雷达的SLAM系统，特别是使用Horizon激光雷达的LIOL，实现了仅4厘米的平均绝对轨迹误差（ATE），在精度上优于旋转式激光雷达。
• 在室内环境（如Indoor01和Indoor02）中，所有基于固态激光雷达的SLAM系统均表现出显著漂移，Horizon激光雷达驱动的LIOL甚至无法重建首个环路，而基于旋转式激光雷达的方法则保持稳定且准确。
• 在高垂直分辨率旋转式激光雷达（如OS1-128）中，室内环境下的ATE更低，证实了更高的几何覆盖范围可提升在特征稀疏、结构化室内环境中的鲁棒性。
• 在长走廊序列（Indoor04）中，OS1驱动的FLIO出现角度漂移，而Horizon和Avia驱动的算法则发生发散，表明在受限室内空间中长时间运动时，固态激光雷达SLAM存在不稳定性。
• 建图质量分析显示，LIOL在固态激光雷达数据上生成的地图在城市和开阔道路环境中最为详细且清晰，即使使用默认参数设置且未进行超参数调优。
• 该数据集清晰揭示了旋转式与固态激光雷达之间的性能差距：旋转式激光雷达在多样化环境中更具鲁棒性，而固态激光雷达在特定户外场景中展现出更优的成本-性能表现。