[论文解读] Wild-Places: A Large-Scale Dataset for Lidar Place Recognition in Unstructured Natural Environments

Joshua Knights, Kavisha Vidanapathirana+4 more|arXiv (Cornell University)|Nov 23, 2022

Remote Sensing and LiDAR Applications被引用 10

一句话总结

本文介绍了Wild-Places，一个在14个月内在非结构化自然环境中使用手持传感器采集的大规模激光雷达数据集，包含63,000个未畸变的激光雷达子地图及6自由度真实值。该数据集可用于长期场景识别的基准测试，揭示了在14个月时间间隔下性能显著下降，凸显了在植被和视角变化显著的动态自然场景中，现有最先进方法面临的挑战。

ABSTRACT

Many existing datasets for lidar place recognition are solely representative of structured urban environments, and have recently been saturated in performance by deep learning based approaches. Natural and unstructured environments present many additional challenges for the tasks of long-term localisation but these environments are not represented in currently available datasets. To address this we introduce Wild-Places, a challenging large-scale dataset for lidar place recognition in unstructured, natural environments. Wild-Places contains eight lidar sequences collected with a handheld sensor payload over the course of fourteen months, containing a total of 63K undistorted lidar submaps along with accurate 6DoF ground truth. Our dataset contains multiple revisits both within and between sequences, allowing for both intra-sequence (i.e. loop closure detection) and inter-sequence (i.e. re-localisation) place recognition. We also benchmark several state-of-the-art approaches to demonstrate the challenges that this dataset introduces, particularly the case of long-term place recognition due to natural environments changing over time. Our dataset and code will be available at https://csiro-robotics.github.io/Wild-Places.

研究动机与目标

• 为解决缺乏大规模、长期的非结构化自然环境激光雷达数据集的问题，此类数据集对长期机器人定位至关重要。
• 提供一个基准数据集，支持在自然地形中进行序列内（回环检测）和序列间（重定位）场景识别任务的评估。
• 在长时间跨度的真实环境变化条件下，评估最先进激光雷达场景识别方法的性能。
• 识别由于动态植被、视角变化以及密集森林中的遮挡导致的长期识别关键挑战。
• 为未来在自然环境中进行三维场景理解与语义分割的研究奠定基础。

提出的方法

• 数据集通过在澳大利亚布里斯班的两个国家公园内，对总计33公里的路径进行手持激光雷达传感器采集获得。
• 每个序列在数月内多次采集，支持长达14个月的时间间隔的长期重访。
• 提取了63,000个未畸变的激光雷达子地图，每个子地图均配有来自SLAM系统的精确6自由度真实值。
• 数据集包含序列内和序列间重访，支持对回环检测和重定位任务的评估。
• 建立了训练与测试划分，以支持场景识别模型的标准化基准测试。
• 对最先进方法（包括ScanContext、VoxelNet及基于学习的方法）在序列内与序列间任务上均进行了评估。

实验结果

研究问题

• RQ1 最先进激光雷达场景识别方法在非结构化自然环境中的长期重访任务中表现如何？
• RQ2 季节性和环境变化对相隔数月采集的激光雷达子地图相似性有何影响？
• RQ3 在密集森林环境中，从相反方向观察同一地点的反向重访如何挑战现有场景识别模型？
• RQ4 查询序列与数据库序列之间的时间间隔在多大程度上降低序列间重定位的性能？
• RQ5 遮挡模式与树冠密度在多大程度上影响自然场景中激光雷达描述子的判别能力？

主要发现

• 在Karawatha区域表现最强的方法在序列间重定位任务中的top-1召回率仅为74.67%，远低于城市基准中常见的90%以上性能。
• 当查询与数据库序列之间的时间间隔从同一天延长至14个月时，top-1召回率最高下降45.1%，尤其在Venman环境中表现显著。
• 包含最多反向重访的序列V-03最具挑战性，ScanContext因树冠遮挡和缺乏显著垂直特征而出现性能急剧下降。
• 密集的上方植被以及反向遍历期间的非重叠遮挡严重降低性能，尤其对依赖俯视或高度编码的方法影响显著。
• 即使是最先进的模型在长期识别任务中仍表现吃力，表明当前模型在自然环境中对环境动态变化的鲁棒性存在关键缺陷。
• 该数据集表明，当前激光雷达场景识别模型对渐进式环境变化（如叶片生长、季节变化及植被随时间移动）缺乏鲁棒性。