SubT-MRS Dataset: Pushing SLAM Towards All-weather Environments

要約

ローカライゼーションとマッピングの同時実行（SLAM）は、自律航法や探査など、数多くのアプリケーションにとって基本的なタスクである。多くのSLAMデータセットが公開されているにもかかわらず、現在のSLAMソリューションは、持続的で回復力のある性能を持つことにまだ苦労している。主要な問題の1つは、多様な全天候条件を含む高品質なデータセットと、ロバスト性を評価するための信頼できるメトリックが存在しないことである。この制限は、SLAM技術のスケーラビリティと汎用性を著しく制限し、その開発、検証、展開に影響を与える。この問題に対処するため、我々はSLAMを全天候型環境に向けて推進し、最もロバストなSLAM性能を追求するために設計された、極めて困難な実世界データセットであるSubT-MRSを提示する。このデータセットには、構造のない通路、様々な照明条件、煙や埃のような知覚的不明瞭物のような30以上の多様なシーン、LiDAR、魚眼カメラ、IMU、サーマルカメラのようなマルチモーダルセンサ、空中ロボット、脚式ロボット、車輪式ロボットのような複数のロコモーションを含む、複数の劣化した環境が含まれている。我々は、SLAMの精度とロバスト性の評価トラックを開発し、新しいロバスト性の評価指標を導入した。包括的な研究を実施し、新たな見解、課題、今後の研究の機会を明らかにする。

要約(オリジナル)

Simultaneous localization and mapping (SLAM) is a fundamental task for numerous applications such as autonomous navigation and exploration. Despite many SLAM datasets have been released, current SLAM solutions still struggle to have sustained and resilient performance. One major issue is the absence of high-quality datasets including diverse all-weather conditions and a reliable metric for assessing robustness. This limitation significantly restricts the scalability and generalizability of SLAM technologies, impacting their development, validation, and deployment. To address this problem, we present SubT-MRS, an extremely challenging real-world dataset designed to push SLAM towards all-weather environments to pursue the most robust SLAM performance. It contains multi-degraded environments including over 30 diverse scenes such as structureless corridors, varying lighting conditions, and perceptual obscurants like smoke and dust; multimodal sensors such as LiDAR, fisheye camera, IMU, and thermal camera; and multiple locomotions like aerial, legged, and wheeled robots. We develop accuracy and robustness evaluation tracks for SLAM and introduced novel robustness metrics. Comprehensive studies are performed, revealing new observations, challenges, and opportunities for future research.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL