ROVER: A Multi-Season Dataset for Visual SLAM

要約

堅牢なスラムは、公園や庭園などの自然で半構造化された環境での自律的なナビゲーションのための重要なイネーブラーです。
ただし、これらの環境は、季節の頻繁な変化、さまざまな光条件、密な植生によるスラムの独自の課題を提示します。
これらの要因は、しばしば構造化された都市環境向けに開発された視覚スラムアルゴリズムの性能を低下させます。
このギャップに対処するために、多様な環境条件と空間構成の下で視覚的なスラムアルゴリズムを評価するために調整された包括的なベンチマークデータセットであるRoverを提示します。
Datasetを、Monocular、Stereo、およびRGBDカメラを備えたロボットプラットフォームと慣性センサーをキャプチャしました。
5つの屋外の場所で39の録音をカバーし、すべての季節とさまざまな照明シナリオ、つまり昼、夕暮れ、夜間の照明の有無にかかわらず収集されます。
この新しいデータセットを使用して、いくつかの従来および深い学習ベースのスラム方法を評価し、多様な挑戦的な条件でパフォーマンスを研究します。
結果は、ステレオインチールティアルおよびRGBDの構成は、一般に好ましい照明と中程度の植生の下でより良いパフォーマンスを発揮することを示していますが、ほとんどのスラムシステムは、特に夏と秋には、低光および高脈のシナリオではパフォーマンスが低いことを示しています。
私たちの分析では、現在のシステムがスケール、特徴抽出、軌道の一貫性に影響を与える動的な環境要因と闘っているため、屋外用途向けの視覚スラムアルゴリズムの適応性の向上の必要性が強調されています。
このデータセットは、現実世界の半構造化された環境で視覚的なスラム研究を進めるための強固な基盤を提供し、長期的な屋​​外のローカリゼーションとマッピングのためのより回復力のあるスラムシステムの開発を促進します。
データセットとベンチマークのコードは、https：//iis-esslingen.github.io/roverで入手できます。

要約(オリジナル)

Robust SLAM is a crucial enabler for autonomous navigation in natural, semi-structured environments such as parks and gardens. However, these environments present unique challenges for SLAM due to frequent seasonal changes, varying light conditions, and dense vegetation. These factors often degrade the performance of visual SLAM algorithms originally developed for structured urban environments. To address this gap, we present ROVER, a comprehensive benchmark dataset tailored for evaluating visual SLAM algorithms under diverse environmental conditions and spatial configurations. We captured the dataset with a robotic platform equipped with monocular, stereo, and RGBD cameras, as well as inertial sensors. It covers 39 recordings across five outdoor locations, collected through all seasons and various lighting scenarios, i.e., day, dusk, and night with and without external lighting. With this novel dataset, we evaluate several traditional and deep learning-based SLAM methods and study their performance in diverse challenging conditions. The results demonstrate that while stereo-inertial and RGBD configurations generally perform better under favorable lighting and moderate vegetation, most SLAM systems perform poorly in low-light and high-vegetation scenarios, particularly during summer and autumn. Our analysis highlights the need for improved adaptability in visual SLAM algorithms for outdoor applications, as current systems struggle with dynamic environmental factors affecting scale, feature extraction, and trajectory consistency. This dataset provides a solid foundation for advancing visual SLAM research in real-world, semi-structured environments, fostering the development of more resilient SLAM systems for long-term outdoor localization and mapping. The dataset and the code of the benchmark are available under https://iis-esslingen.github.io/rover.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google