SNAIL Radar: A large-scale diverse benchmark for evaluating 4D-radar-based SLAM

要約

4Dレーダーは、厳しい天候や動的環境での堅牢性のために、自律システムの臭気とマッピングにますます好まれています。
ただし、既存のデータセットは、多くの場合、限られた領域をカバーし、通常、単一のプラットフォームを使用してキャプチャされます。
このギャップに対処するために、4Dレーダーベースのローカリゼーションとマッピング専用に設計された多様な大規模なデータセットを提示します。
このデータセットは、晴れた日、夜間、大雨などのさまざまな環境条件の下で、ハンドヘルドデバイス、eバイク、SUVの3つの異なるプラットフォームを使用して収集されました。
データ収集は、2023年9月から2024年2月までに発生し、植生キャンパスの道路や高速道路のトンネルなどの多様な設定を網羅しています。
各ルートは、場所認識評価を容易にするために複数回通過しました。
センサースイートには、3D LIDAR、4Dレーダー、ステレオカメラ、消費者グレードのIMUS、およびGNSS/INSシステムが含まれていました。
センサーデータパケットは、凸面ハルベースのスムージングと相関ベースの修正を含む2段階のプロセスを使用して、GNSS時間に同期しました。
プラットフォームの参照モーションは、前方および後方処理をサポートするLIDAR慣性シーケンシャルローカライザーによって、Lidarスキャンを地上レーザースキャナー（TLS）ポイントクラウドマップに登録することにより生成されました。
バックワードパスにより、参照運動精度の詳細な定量的および定性的評価が可能になります。
データセットのユーティリティを実証するために、いくつかの最先端のレーダーベースの臭気と場所認識方法を評価し、レーダーベースのスラムの既存の課題を示しました。

要約(オリジナル)

4D radars are increasingly favored for odometry and mapping of autonomous systems due to their robustness in harsh weather and dynamic environments. Existing datasets, however, often cover limited areas and are typically captured using a single platform. To address this gap, we present a diverse large-scale dataset specifically designed for 4D radar-based localization and mapping. This dataset was gathered using three different platforms: a handheld device, an e-bike, and an SUV, under a variety of environmental conditions, including clear days, nighttime, and heavy rain. The data collection occurred from September 2023 to February 2024, encompassing diverse settings such as roads in a vegetated campus and tunnels on highways. Each route was traversed multiple times to facilitate place recognition evaluations. The sensor suite included a 3D lidar, 4D radars, stereo cameras, consumer-grade IMUs, and a GNSS/INS system. Sensor data packets were synchronized to GNSS time using a two-step process including a convex-hull-based smoothing and a correlation-based correction. The reference motion for the platforms was generated by registering lidar scans to a terrestrial laser scanner (TLS) point cloud map by a lidar inertial sequential localizer which supports forward and backward processing. The backward pass enables detailed quantitative and qualitative assessments of reference motion accuracy. To demonstrate the dataset’s utility, we evaluated several state-of-the-art radar-based odometry and place recognition methods, indicating existing challenges in radar-based SLAM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google