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

要約

同時位置特定とマッピング (SLAM) は、自律ナビゲーションや探索などの多くのアプリケーションにとって基本的なタスクです。
多くの SLAM データセットがリリース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パフォーマンスを実現するのに依然として苦労しています。
大きな問題の 1 つは、多様な全天候条件を含む高品質のデータセットと、堅牢性を評価するための信頼できる指標が存在しないことです。
この制限により、SLAM テクノロジーのスケーラビリティと汎用性が大幅に制限され、開発、検証、展開に影響を与えます。
この問題に対処するために、最も堅牢な SLAM パフォーマンスを追求するために SLAM を全天候環境に向けて推進するように設計された、非常に挑戦的な現実世界のデータセットである SubT-MRS を紹介します。
これには、構造のない廊下、さまざまな照明条件、煙や塵などの知覚障害物など、30 を超える多様なシーンを含む、複数の劣化環境が含まれています。
LiDAR、魚眼カメラ、IMU、サーマルカメラなどのマルチモーダルセンサー。
空中ロボット、脚ロボット、車輪ロボットなどの複数の移動手段。
私たちは SLAM の精度と堅牢性の評価トラックを開発し、新しい堅牢性メトリクスを導入しました。
包括的な研究が実行され、新たな観察、課題、将来の研究の機会が明らかになります。

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, Google