ROVER: A Multi-Season Dataset for Visual SLAM

要約

ロバストなSLAM（Simultaneous Localization and Mapping）は、公園や庭園のような自然で構造化されていない環境における自律的なナビゲーションを可能にする重要な手段である。しかし、このような環境では、季節が頻繁に変わり、光の状態が変化し、草木が生い茂るため、SLAMには独特の課題があります。これらの要因は、もともと構造化された都市環境用に開発された視覚SLAMアルゴリズムの性能をしばしば低下させる。このギャップに対処するため、多様な環境条件と空間構成下で視覚SLAM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を紹介する。このデータセットは、単眼カメラ、ステレオカメラ、RGB-Dカメラ、慣性センサーを搭載したロボットプラットフォームで撮影した。このデータセットは、屋外の5つの場所で、あらゆる季節と様々な照明シナリオ（外部照明の有無に関わらず、日中、夕暮れ時、夜間）を通して収集された39の記録をカバーしている。この新しいデータセットを用いて、いくつかの伝統的なSLAM手法とディープラーニングに基づくSLAM手法を評価し、多様な困難な条件における性能を研究する。その結果、ステレオ慣性構成とRGB-D構成は、一般的に良好な照明と適度な植生の下でより良い性能を発揮する一方で、ほとんどのSLAMシステムは、特に夏と秋の低照度と高植生のシナリオでは低い性能を発揮することが示された。現在のシステムは、スケール、特徴抽出、軌跡の一貫性に影響を与える動的な環境要因に苦戦しているためである。このデータセットは、実世界の自然環境におけるビジュアルSLAM研究を推進するための強固な基盤を提供し、長期的な屋外定位とマッピングのための、より弾力的なSLAMシステムの開発を促進する。データセットとベンチマークのコードは、https://iis-esslingen.github.io/rover。

要約(オリジナル)

Robust Simultaneous Localization and Mapping (SLAM) is a crucial enabler for autonomous navigation in natural, unstructured 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 RGB-D 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 RGB-D 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, natural 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, DeepL