要約
4D レーダーは、過酷な天候や動的環境における堅牢性により、走行距離測定や自律システムの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限られた領域をカバーしていることが多く、通常は単一のプラットフォームを使用して取得されます。
このギャップに対処するために、4D レーダーベースの位置特定とマッピング用に特別に設計された多様な大規模データセットを紹介します。
このデータセットは、晴天、夜間、大雨などのさまざまな環境条件下で、ハンドヘルド デバイス、電動自転車、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 月にかけて行われ、緑豊かなキャンパス内の道路や高速道路のトンネルなど、さまざまな環境が含まれます。
場所の認識評価を容易にするために、各ルートを複数回通過しました。
センサー スイートには、3D ライダー、4D レーダー、ステレオ カメラ、消費者向け IMU、GNSS/INS システムが含まれています。
センサー データ パケットは、2 段階のプロセスを使用して GNSS 時間に同期されました。凸包アルゴリズムを適用してホスト時間ジッターを滑らかにし、次にオドメトリ アルゴリズムと相関アルゴリズムを使用して一定の時間オフセットを補正しました。
センサー間の外部キャリブレーションは、手動測定とその後の非線形最適化によって実現されました。
プラットフォームの参照モーションは、ローカリゼーション モードで LIDAR 慣性オドメトリ (LIO) メソッドを使用して、LIDAR スキャンを地上レーザー スキャナ (TLS) 点群マップに登録することによって生成されました。
さらに、後方 LIO 処理を可能にするためにデータ復帰技術が導入されました。
私たちは、このデータセットがレーダーベースの点群登録、オドメトリ、マッピング、場所認識の研究を促進すると信じています。
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: a convex hull algorithm was applied to smooth host time jitter, and then odometry and correlation algorithms were used to correct constant time offsets. Extrinsic calibration between sensors was achieved through manual measurements and subsequent nonlinear optimization. The reference motion for the platforms was generated by registering lidar scans to a terrestrial laser scanner (TLS) point cloud map using a lidar inertial odometry (LIO) method in localization mode. Additionally, a data reversion technique was introduced to enable backward LIO processing. We believe this dataset will boost research in radar-based point cloud registration, odometry, mapping, and place recognition.
arxiv情報
| 著者 | Jianzhu Huai,Binliang Wang,Yuan Zhuang,Yiwen Chen,Qipeng Li,Yulong Han,Charles Toth |
| 発行日 | 2024-07-16 13:22:33+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google