DIDLM: A SLAM Dataset for Difficult Scenarios Featuring Infrared, Depth Cameras, LIDAR, 4D Radar, and Others under Adverse Weather, Low Light Conditions, and Rough Roads

要約

悪天候、低照度環境、でこぼこした路面は、ロボット ナビゲーションや自動運転における SLAM にとって大きな課題となります。
この分野の既存のデータセットは、主に単一のセンサー、または LiDAR、カメラ、IMU の組み合わせに依存しています。
ただし、4D ミリ波レーダーは悪天候における堅牢性を実証し、赤外線カメラは低照度条件下での細部の捕捉に優れ、深度画像はより豊富な空間情報を提供します。
マルチセンサーフュージョン手法は、でこぼこ道への適応性を高める可能性も示しています。
これらのセンサーと条件を組み込んだ SLAM 研究がいくつかあるにもかかわらず、低照度環境やでこぼこした道路状況に対処したり、十分に多様なセンサー データを特徴づけたりする包括的なデータセットが依然として不足しています。
この研究では、雪天、雨天、夜間条件、スピードバンプ、起伏の多い地形などの困難なシナリオをカバーするマルチセンサー データセットを導入します。
このデータセットには、3D LiDAR、RGB カメラ、GPS、IMU に加えて、4D ミリ波レーダー、赤外線カメラ、深度カメラなど、極端な条件で使用されることはほとんどないセンサーが含まれています。
自動運転と地上ロボットの両方のアプリケーションをサポートし、構造化された地形と半構造化された地形をカバーする信頼性の高い GPS/INS グラウンド トゥルース データを提供します。
このデータセットを使用して、RGB 画像、赤外線画像、深度画像、LiDAR、4D ミリ波レーダーなどのさまざまな SLAM アルゴリズムを評価しました。
データセットは合計 18.5 km、69 分、約 660 GB に及び、複雑で極限の条件下で SLAM 研究を進めるための貴重なリソースを提供します。
私たちのデータセットは https://github.com/GongWeiSheng/DIDLM で入手できます。

要約(オリジナル)

Adverse weather conditions, low-light environments, and bumpy road surfaces pose significant challenges to SLAM in robotic navigation and autonomous driving. Existing datasets in this field predominantly rely on single sensors or combinations of LiDAR, cameras, and IMUs. However, 4D millimeter-wave radar demonstrates robustness in adverse weather, infrared cameras excel in capturing details under low-light conditions, and depth images provide richer spatial information. Multi-sensor fusion methods also show potential for better adaptation to bumpy roads. Despite some SLAM studies incorporating these sensors and conditions, there remains a lack of comprehensive datasets addressing low-light environments and bumpy road conditions, or featuring a sufficiently diverse range of sensor data. In this study, we introduce a multi-sensor dataset covering challenging scenarios such as snowy weather, rainy weather, nighttime conditions, speed bumps, and rough terrains. The dataset includes rarely utilized sensors for extreme conditions, such as 4D millimeter-wave radar, infrared cameras, and depth cameras, alongside 3D LiDAR, RGB cameras, GPS, and IMU. It supports both autonomous driving and ground robot applications and provides reliable GPS/INS ground truth data, covering structured and semi-structured terrains. We evaluated various SLAM algorithms using this dataset, including RGB images, infrared images, depth images, LiDAR, and 4D millimeter-wave radar. The dataset spans a total of 18.5 km, 69 minutes, and approximately 660 GB, offering a valuable resource for advancing SLAM research under complex and extreme conditions. Our dataset is available at https://github.com/GongWeiSheng/DIDLM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google