野外:非结构化自然环境中激光雷达位置识别的大规模数据集

**摘要:**许多现有的激光雷达位置识别数据集仅代表结构化的城市环境,并且最近基于深度学习的方法在性能上已经饱和。自然和非结构化环境为长期定位任务带来了许多额外的挑战,但这些环境在当前可用的数据集中没有得到体现。为了解决这个问题,我们引入了Wild-Places,这是一个具有挑战性的大规模数据集,用于在非结构化的自然环境中进行激光雷达位置识别。Wild-Places包含8个激光雷达序列,这些序列是由一个手持传感器在14个月的时间里收集的,总共包含63K个未失真的激光雷达子地图,以及精确的6DoF地面真实度。该数据集包含序列内部和序列之间的多次重访,允许序列内(即循环关闭检测)和序列间(即重新定位)任务。我们还对几种最先进的方法进行了基准测试,以展示该数据集带来的挑战,特别是由于自然环境随时间变化而导致的长期位置识别。我们的数据集和代码可在https://csirorobotics.github.io/Wild-Places上获得。

引言:激光雷达位置识别是实现机器人长期同步安全可靠部署的重要组成部分挑战性环境下的定位与制图(SLAM)[12],[13]。大规模激光雷达数据集和基准测试(如KITTI[1]、MulRan[7]和Oxford RobotCar[4])加速了这一领域的进展,这些数据集和基准测试完全代表了城市道路环境。在农业、环境监测、保护和搜救等一系列应用中,对非结构化自然环境机器人解决方案的开发需求越来越大[14],[15]。自然环境通常具有高度不规则和非结构化的地形,狭窄的小径被茂密的植被和悬垂的树枝包围,这对现有的最先进的位置识别方法构成了重大挑战,特别是在长期位置识别的情况下,由于环境随时间的动态变化。

因此,在非结构化的自然环境中,需要大规模的激光雷达数据集来进行长期的位置识别和定位任务。最近引入了几个越野数据集[9],[14],[16]-[18]来满足这一需求;然而,虽然这些数据集为语义分割[9],[10],[16]或车辆动力学预测[14]任务提供了丰富的训练数据,但它们并不适合长期位置识别方法的训练和评估。对于激光雷达位置识别任务,理想情况下,数据集应该包含在自然环境中多次大而连续的许多公里的遍历,包括序列内部和序列之间的循环和重访,以允许评估序列内的位置识别(类似的到循环闭合检测问题)和序列间位置识别(类似于重新定位问题)。为此,我们创建了Wild-Places,这是一个大型数据集,用于在非结构化的自然环境中进行长期激光雷达位置识别。

该数据集是在澳大利亚布里斯班的国家公园收集的,由一名操作员携带手持传感器有效载荷,可以记录车辆或机器人平台无法进入的茂密森林环境。数据收集活动在2条森林小径上进行,在14个月的时间里穿越了超过33公里,生成了大约63K的激光雷达子地图。

.我们介绍了第一个大规模激光雷达数据集,该数据集由手持传感器有效载荷收集,用于在非结构化的自然环境中进行长期位置识别。

•我们证明了我们的数据集适用于序列内和序列间的位置识别任务,并建立了基准测试的训练和测试分割。

•我们对几种最先进的位置识别方法进行基准测试,以演示Wild-Places数据集呈现的具有挑战性的场景。这些结果表明了非结构化自然环境对这些任务构成的挑战,并有助于确定需要额外关注的研究领域