[论文解读] The Aqualoc Dataset: Towards Real-Time Underwater Localization from a Visual-Inertial-Pressure Acquisition System

Maxime Ferrera, Julien Moras+3 more|arXiv (Cornell University)|Sep 19, 2018

Underwater Vehicles and Communication Systems被引用 10

一句话总结

本文介绍了 Aqualoc 数据集，这是一个公开可用的水下视觉-惯性-压力数据集，由配备单目相机、MEMS-IMU 和压力传感器的低成本 ROV 记录而成。该数据集支持基于 BA 的 VSLAM 实现实时水下定位，基准测试结果显示，尽管存在视觉退化和漂移等挑战，ORB-SLAM 在七个不同序列中表现最为稳定。

ABSTRACT

This paper presents a new underwater dataset acquired from a visual-inertial-pressure acquisition system and meant to be used to benchmark visual odometry, visual SLAM and multi-sensors SLAM solutions. The dataset is publicly available and contains ground-truth trajectories for evaluation.

研究动机与目标

• 解决基于低成本传感器的视觉 SLAM 缺乏公开水下数据集的问题。
• 开发一种自包含、可嵌入的采集系统，用于在水下环境中同步采集视觉、惯性和压力数据。
• 通过使用 Colmap 进行结构光场重建（SfM）和深度缩放，提供度量准确的真值轨迹。
• 在具有不同视觉条件的真实水下序列上，为最先进的单目 VO 和 VSLAM 算法建立基准。
• 证明使用低成本传感器和基于 BA 的 SLAM 实现基于视觉的水下定位的可行性。

提出的方法

• 在遥控潜水器（ROV）上部署自定义有效载荷，配备单目灰度相机（640×512 像素，20 Hz）、MEMS-IMU（200 Hz）和压力传感器（5–10 Hz）。
• 使用 ROS 中间件在嵌入式 Nvidia Jetson TX2 平台上同步所有模态的传感器数据采集。
• 使用 Kalibr 对相机进行现场标定，并采用等距畸变模型对 IMU 与相机之间的外部参数进行标定。
• 在港口环境中记录七段水下序列，每段序列均以可见的 AprilGrid 开始和结束，用于初始化和评估。
• 使用 Colmap 的全批量 Bundle Adjustment 方法，结合低特征检测阈值和基于深度的缩放，生成度量真值轨迹。
• 通过在每段序列上使用优化尺度的绝对平移误差（ATE）评估 ORB-SLAM、SVO-2 和 DSO，以基准化性能。

实验结果

研究问题

• RQ1 低成本视觉、惯性和压力传感器是否能够通过基于 BA 的 VSLAM 实现实时水下定位？
• RQ2 最先进的单目 VO 和 VSLAM 算法在存在视觉退化和漂移的真实水下序列中表现如何？
• RQ3 视觉条件（如浊度、后向散射）对水下环境中 VSLAM 系统的初始化和稳定性有何影响？
• RQ4 基于 SfM 重建（通过 Colmap 实现）并结合深度缩放作为水下定位基准的真值，其有效性如何？
• RQ5 基于特征的方法（ORB-SLAM）与直接方法（DSO、SVO-2）在水下视觉退化和低对比度条件下，其泛化能力如何？

主要发现

• Aqualoc 数据集是首个公开可用的水下数据集，结合了同步的单目、IMU 和压力数据，专为低成本传感器的 SLAM 研究而设计。
• ORB-SLAM 展现出最高的鲁棒性，成功处理了七段序列中的五段，而 DSO 和 SVO-2 各成功处理了四段。
• 尽管采用基于特征的设计，ORB-SLAM 在所有序列中均未检测到任何回环闭合，这引发了对其在水下环境中回环检测机制有效性的疑问。
• 基于 Colmap 的 SfM 重建生成了高度精确的度量轨迹，经深度缩放后用作真值，实现了可靠的 ATE 评估。
• 直接方法（DSO、SVO-2）对视觉退化表现出敏感性，部分序列导致初始化或跟踪失败。
• 结果表明，基于特征和直接的 SLAM 方法均可在水下环境中实现可用的定位性能，提示结合两种范式的混合方法具有潜在前景。