MCD: Diverse Large-Scale Multi-Campus Dataset for Robot Perception

要約

知覚はさまざまなロボット アプリケーションにおいて重要な役割を果たします。
ただし、適切にアノテーションが付けられた既存のデータセットは自動運転シナリオに偏っていますが、ラベルのない SLAM データセットはすぐに過剰適合してしまい、環境やドメインのバリエーションが欠けていることがよくあります。
これらの分野のフロンティアを拡大するために、ユーラシアの 3 つの大学キャンパスにわたる幅広いセンシング モダリティ、高精度のグラウンド トゥルース、および多様で困難な環境を特徴とする、MCD (Multi-Campus Dataset) という名前の包括的なデータセットを導入します。
MCD は、CCS (古典的円筒回転) と NRE (非反復周転周回) ライダーの両方、高品質 IMU (慣性測定ユニット)、カメラ、UWB (超広帯域) センサーで構成されています。
さらに、先駆的な取り組みとして、3 つのドメインにわたる 59,000 個のまばらな NRE LIDAR スキャンに 29 クラスのセマンティック アノテーションを導入しました。これにより、このほとんど未踏の LIDAR モダリティに関する既存のセマンティック セグメンテーション研究に新たな挑戦を提供します。
最後に、我々は、我々の知る限り初めて、大規模な測量グレードの以前の地図上の LIDAR 慣性データの最適化ベースの登録に基づく連続時間グラウンド トゥルースを提案します。これらの地図も公開されており、それぞれの数倍のデータが記録されます。
既存のもののサイズ。
私たちは、MCD 上の多数の最先端アルゴリズムの厳密な評価を実施し、そのパフォーマンスを報告し、研究コミュニティからの解決策を待っている課題を浮き彫りにします。

要約(オリジナル)

Perception plays a crucial role in various robot applications. However, existing well-annotated datasets are biased towards autonomous driving scenarios, while unlabelled SLAM datasets are quickly over-fitted, and often lack environment and domain variations. To expand the frontier of these fields, we introduce a comprehensive dataset named MCD (Multi-Campus Dataset), featuring a wide range of sensing modalities, high-accuracy ground truth, and diverse challenging environments across three Eurasian university campuses. MCD comprises both CCS (Classical Cylindrical Spinning) and NRE (Non-Repetitive Epicyclic) lidars, high-quality IMUs (Inertial Measurement Units), cameras, and UWB (Ultra-WideBand) sensors. Furthermore, in a pioneering effort, we introduce semantic annotations of 29 classes over 59k sparse NRE lidar scans across three domains, thus providing a novel challenge to existing semantic segmentation research upon this largely unexplored lidar modality. Finally, we propose, for the first time to the best of our knowledge, continuous-time ground truth based on optimization-based registration of lidar-inertial data on large survey-grade prior maps, which are also publicly released, each several times the size of existing ones. We conduct a rigorous evaluation of numerous state-of-the-art algorithms on MCD, report their performance, and highlight the challenges awaiting solutions from the research community.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google