SubT-MRS: A Subterranean, Multi-Robot, Multi-Spectral and Multi-Degraded Dataset for Robust SLAM

要約

近年、同時位置特定とマッピング (SLAM) 研究の分野で大きな進歩が見られました。
しかし、現在の最先端のソリューションは、現実のアプリケーションでは依然として精度と堅牢性が限られているという問題に直面しています。
主な理由の 1 つは、野生のロボットが直面する状況を完全に捕捉するデータセットが不足していることです。
この問題に対処するために、SLAM と知覚アルゴリズムの限界を押し上げ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。
SubT-MRS 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、さまざまな劣化条件を持つ主に地下環境から収集されたマルチモーダル、マルチロボット データセットです。
さらに、このデータセットには、LiDAR、視覚カメラ、サーマルカメラ、空中、脚、車輪などのさまざまな車両の動きを使用してキャプチャされた IMU を含む、時間同期されたさまざまなセンサーからの情報がパッケージ化されており、不可欠なセンサー フュージョンの研究をサポートします。
複雑な環境において正確かつ堅牢なロボット認識を実現します。
SLAM システムの精度を評価するために、サブセンチメートル レベルの精度を持つ高密度 3D モデルと、正確な 6DoF グランド トゥルースも提供します。
当社のベンチマーク アプローチには、特に多重劣化環境の場合に、データセットによってもたらされる課題を実証するためのいくつかの最先端の手法が含まれています。

要約(オリジナル)

In recent years, significant progress has been made in the field of simultaneous localization and mapping (SLAM) research. However, current state-of-the-art solutions still struggle with limited accuracy and robustness in real-world applications. One major reason is the lack of datasets that fully capture the conditions faced by robots in the wild. To address this problem, we present SubT-MRS, an extremely challenging real-world dataset designed to push the limits of SLAM and perception algorithms. SubT-MRS is a multi-modal, multi-robot dataset collected mainly from subterranean environments having multi-degraded conditions including structureless corridors, varying lighting conditions, and perceptual obscurants such as smoke and dust. Furthermore, the dataset packages information from a diverse range of time-synchronized sensors, including LiDAR, visual cameras, thermal cameras, and IMUs captured using varied vehicular motions like aerial, legged, and wheeled, to support research in sensor fusion, which is essential for achieving accurate and robust robotic perception in complex environments. To evaluate the accuracy of SLAM systems, we also provide a dense 3D model with sub-centimeter-level accuracy, as well as accurate 6DoF ground truth. Our benchmarking approach includes several state-of-the-art methods to demonstrate the challenges our datasets introduce, particularly in the case of multi-degraded environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google