[论文解读] The Oxford Radar RobotCar Dataset: A Radar Extension to the Oxford RobotCar Dataset

Dan Barnes, Matthew Gadd+3 more|arXiv (Cornell University)|Sep 3, 2019

Robotics and Sensor-Based LocalizationEngineering参考文献 18被引用 18

一句话总结

本论文介绍了牛津雷达机器人车数据集，该数据集为大规模、多传感器数据集，于2019年1月在牛津市中心路线完成32次行驶采集，包含4.7TB毫米波FMCW雷达数据、240万次3D激光雷达扫描，以及互补的摄像头、GPS/INS和2D激光雷达数据。该数据集支持在恶劣天气和光照条件下开展基于雷达的场景理解研究，提供真实雷达里程计数据，可加速雷达主导的感知与定位研究。

ABSTRACT

In this paper we present The Oxford Radar RobotCar Dataset, a new dataset for researching scene understanding using Millimetre-Wave FMCW scanning radar data. The target application is autonomous vehicles where this modality is robust to environmental conditions such as fog, rain, snow, or lens flare, which typically challenge other sensor modalities such as vision and LIDAR. The data were gathered in January 2019 over thirty-two traversals of a central Oxford route spanning a total of 280km of urban driving. It encompasses a variety of weather, traffic, and lighting conditions. This 4.7TB dataset consists of over 240,000 scans from a Navtech CTS350-X radar and 2.4 million scans from two Velodyne HDL-32E 3D LIDARs; along with six cameras, two 2D LIDARs, and a GPS/INS receiver. In addition we release ground truth optimised radar odometry to provide an additional impetus to research in this domain. The full dataset is available for download at: ori.ox.ac.uk/datasets/radar-robotcar-dataset

研究动机与目标

• 为解决自动驾驶研究中大规模、长期雷达数据集，特别是恶劣环境条件下的数据集稀缺问题。
• 通过增加毫米波FMCW雷达数据，扩展现有的牛津机器人车数据集，以支持全天候、鲁棒的感知与定位。
• 提供真实雷达里程计，以促进基于雷达的定位与场景理解研究。
• 通过在统一、校准的数据集中整合雷达与现有视觉、激光雷达和惯性传感器数据，支持跨模态研究。
• 通过发布全面、公开可访问的数据集及完整工具支持，加速雷达主导的自动驾驶系统创新。

提出的方法

• 数据通过牛津机器人车平台采集，该平台为配备Navtech CTS350-X FMCW雷达的自动驾驶日产Leaf，工作频率为4 Hz，最大探测距离163 m，距离分辨率为4.38 cm。
• 2019年1月在10公里长的牛津市中心路线上完成超过32次行驶，采集了多样化的天气、光照和交通条件下的数据。
• 数据集包含来自两台Velodyne HDL-32E激光雷达的240万次3D激光雷达扫描、六台摄像头、两台2D激光雷达以及GPS/INS数据，所有传感器均实现时间同步与校准。
• 原始雷达数据以极坐标格式（方位角、距离、功率）提供，配备工具可将数据转换为可配置分辨率和尺寸的笛卡尔坐标点云。
• 开发了MATLAB和Python工具，用于加载、可视化和转换雷达与激光雷达数据，包括批量下载工具和深度学习数据加载器。
• 计算并发布了真实雷达里程计，以支持基于雷达的定位与制图研究。

实验结果

研究问题

• RQ1 毫米波FMCW雷达是否能在雾、雨和强直射阳光等恶劣天气条件下提供可靠、远距离的感知？
• RQ2 在具有动态交通和光照变化的复杂城市环境中，基于雷达的场景理解与视觉和激光雷达方法相比表现如何？
• RQ3 在缺乏视觉特征或传感器性能退化的情况下，雷达数据在精确定位与制图中的可用程度如何？
• RQ4 在具有长期环境变化的现实城市驾驶场景中，雷达里程计的性能特征是什么？
• RQ5 如何有效融合雷达数据与其他传感器模态（如激光雷达、摄像头）以实现鲁棒的自动驾驶感知？

主要发现

• 数据集涵盖2019年1月32次行驶采集的280公里城市驾驶数据，覆盖了广泛的天气、光照和交通条件。
• 雷达数据具有360°视场，最大探测距离163 m，距离分辨率为4.38 cm，可检测远距离和低对比度目标。
• 数据集包含4.7 TB原始雷达扫描数据和240万次3D激光雷达扫描，具备完整的传感器校准与时间同步。
• 真实雷达里程计已计算并发布，以支持基于雷达的定位与制图研究。
• 数据集可在 ori.ox.ac.uk/datasets/radar-robotcar-dataset 公开获取，配备完整的MATLAB和Python工具链，用于数据加载、可视化与转换。
• 雷达与现有视觉及激光雷达数据的集成，为多模态、全天候自动驾驶感知研究开辟了新方向。