Challenges of Indoor SLAM: A multi-modal multi-floor dataset for SLAM evaluation

要約

SLAM (Simultaneous Localization and Mapping) における堅牢性は、自律システムを実際に展開する上で依然として重要な課題の 1 つです。
SLAM 研究は過去 25 年間で大きな進歩を遂げてきましたが、多くの最先端 (SOTA) アルゴリズムは依然として現実の環境で確実に実行するのに苦労しています。
研究コミュニティでは、センシングモダリティにおいてさまざまな故障モードを明らかにする、挑戦的な現実世界のシナリオが必要であるという共通認識があります。
この論文では、ロボットが遭遇する可能性があり、それに堅牢であるべき、困難な一般的なシナリオをカバーする、新しいマルチモーダル屋内 SLAM データセットを紹介します。
私たちのデータは、ノースイースタン大学の ISEC 建物の複数のフロアにわたるモバイル ロボット プラットフォームを使用して収集されました。
このような複数のフロアのシーケンスは、フロア全体での対称性を特徴とする商業オフィス スペースの典型的なものであり、そのため、フロア レイアウトが類似しているために知覚的なエイリアシングが発生する傾向があります。
このセンサー スイートは、7 台のグローバル シャッター カメラ、高品位 MEMS 慣性測定ユニット (IMU)、ZED ステレオ カメラ、および 128 チャンネルの高解像度ライダーで構成されています。
データセットとともに、いくつかの SLAM アルゴリズムのベンチマークを行い、知覚的なエイリアシング、視覚的な劣化、軌道のドリフトなど、実行中に直面する問題を浮き彫りにしました。
ベンチマークの結果は、データセットの一部は一部のアルゴリズムでうまく動作する一方で、他のデータ セクションは最良の SOTA アルゴリズムでも困難であることを示しています。
データセットは https://github.com/neufieldrobotics/NUFR-M3F で入手できます。

要約(オリジナル)

Robustness in Simultaneous Localization and Mapping (SLAM) remains one of the key challenges for the real-world deployment of autonomous systems. SLAM research has seen significant progress in the last two and a half decades, yet many state-of-the-art (SOTA) algorithms still struggle to perform reliably in real-world environments. There is a general consensus in the research community that we need challenging real-world scenarios which bring out different failure modes in sensing modalities. In this paper, we present a novel multi-modal indoor SLAM dataset covering challenging common scenarios that a robot will encounter and should be robust to. Our data was collected with a mobile robotics platform across multiple floors at Northeastern University’s ISEC building. Such a multi-floor sequence is typical of commercial office spaces characterized by symmetry across floors and, thus, is prone to perceptual aliasing due to similar floor layouts. The sensor suite comprises seven global shutter cameras, a high-grade MEMS inertial measurement unit (IMU), a ZED stereo camera, and a 128-channel high-resolution lidar. Along with the dataset, we benchmark several SLAM algorithms and highlight the problems faced during the runs, such as perceptual aliasing, visual degradation, and trajectory drift. The benchmarking results indicate that parts of the dataset work well with some algorithms, while other data sections are challenging for even the best SOTA algorithms. The dataset is available at https://github.com/neufieldrobotics/NUFR-M3F.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google