[论文解读] UrbanLoco: A Full Sensor Suite Dataset for Mapping and Localization in Urban Scenes

Weisong Wen, Yiyang Zhou+6 more|arXiv (Cornell University)|Dec 19, 2019

Robotics and Sensor-Based Localization参考文献 27被引用 9

一句话总结

UrbanLoco 提供了一个大规模、全传感器套件的数据集，用于在高度城市化的环境中进行自动驾驶车辆制图与定位，包含覆盖旧金山和香港的13条轨迹，总里程超过40公里。该数据集包含同步的激光雷达、全景相机（360°）和鱼眼相机、IMU以及RTK-GNSS数据，可支持在真实城市挑战（如信号丢失、动态物体和复杂地形）下对SLAM和定位算法进行严格评估。

ABSTRACT

Mapping and localization is a critical module of autonomous driving, and significant achievements have been reached in this field. Beyond Global Navigation Satellite System (GNSS), research in point cloud registration, visual feature matching, and inertia navigation has greatly enhanced the accuracy and robustness of mapping and localization in different scenarios. However, highly urbanized scenes are still challenging: LIDAR- and camera-based methods perform poorly with numerous dynamic objects; the GNSS-based solutions experience signal loss and multipath problems; the inertia measurement units (IMU) suffer from drifting. Unfortunately, current public datasets either do not adequately address this urban challenge or do not provide enough sensor information related to mapping and localization. Here we present UrbanLoco: a mapping/localization dataset collected in highly-urbanized environments with a full sensor-suite. The dataset includes 13 trajectories collected in San Francisco and Hong Kong, covering a total length of over 40 kilometers. Our dataset includes a wide variety of urban terrains: urban canyons, bridges, tunnels, sharp turns, etc. More importantly, our dataset includes information from LIDAR, cameras, IMU, and GNSS receivers. Now the dataset is publicly available through the link in the footnote. Dataset Link: https://advdataset2019.wixsite.com/urbanloco.

研究动机与目标

• 解决在密集复杂环境中缺乏公开的大规模城市制图与定位挑战数据集的问题。
• 提供包含激光雷达、多视角相机、IMU和RTK-GNSS的综合传感器套件，以支持多模态定位研究。
• 量化城市化强度，以更准确评估不同环境下定位的难度。
• 在具有动态物体和信号衰减的真实城市条件下，支持最先进SLAM和定位算法的基准测试。
• 通过提供校准过的、公开可访问的数据及API，支持鲁棒的基于传感器融合的定位系统开发。

提出的方法

• 在旧金山和香港采集了13条轨迹，覆盖超过40公里的多样化城市地形，包括城市峡谷、隧道、桥梁和急转弯路段。
• 在车辆上配备了完整的传感器套件：旧金山使用360°全景相机，香港使用鱼眼天空相机，32束激光雷达，IMU，以及通过本地基站校正的RTK-GNSS接收器。
• 采用全面的校准流程对所有传感器进行校准，校准日志公开，以确保传感器对齐的准确性。
• 利用RTK-GNSS提供高精度真实值（在卫星可见性良好时误差为2厘米），并利用IMU在GNSS信号中断期间实现连续推算。
• 实现半实时回放以支持算法评估，确保SLAM处理过程的收敛性和稳定性。
• 定义并应用了城市化度量方法，以量化环境复杂性，支持跨数据集的比较分析。

实验结果

研究问题

• RQ1 在具有密集动态物体和信号衰减的高城市化场景中，最先进的激光雷达SLAM算法表现如何？
• RQ2 在快速光照变化和复杂城市几何结构下，基于视觉的SLAM方法（如VINS-MONO）失败的程度如何？
• RQ3 在GNSS信号间歇性丢失的城市峡谷环境中，IMU与GNSS的传感器融合在多大程度上提升了定位鲁棒性？
• RQ4 城市化强度（以建筑密度和信号遮挡程度衡量）对真实世界数据集中定位误差的影响是什么？
• RQ5 像UrbanLoco这样包含全传感器套件的数据集，能否作为评估下一代挑战性城市环境中定位系统性能的可靠基准？

主要发现

• 基于LOAM的SLAM方法在存在动态物体的场景中，翻译误差超过10 m/km；在显著高度变化区域，误差超过20 m/km。
• NDT-based算法在5.9公里路线上产生的翻译误差超过100米，表明在复杂城市环境中性能严重退化。
• VINS-MONO在翻译性能上优于激光雷达基方法，但在急转弯等操作中表现出较高的横滚/俯仰/偏航误差。
• 在旧金山早高峰时段采集的最具挑战性的路线，使用当前SLAM算法生成的地图畸变最严重，凸显了动态城市场景的困难性。
• 在卫星可见性良好的情况下，GNSS真实值保持2厘米精度；IMU在GNSS中断10秒后，仍能将位置误差控制在12厘米以内。
• 该数据集的城市化度量方法有效量化了环境复杂性，表明当前数据集如KITTI和RobotCar相比UrbanLoco显著城市化程度较低。