以下內(nèi)容來自從零開始機器人SLAM知識星球 每日更新內(nèi)容

點擊領(lǐng)取學(xué)習(xí)資料 → 機器人SLAM學(xué)習(xí)資料大禮包

#論文# #開源數(shù)據(jù)集# 4Seasons: Benchmarking Visual SLAM and Long-Term Localization for Autonomous Driving in Challenging Conditions?

地址：https://arxiv.org/abs/2301.01147

作者單位：慕尼黑工業(yè)大學(xué)

數(shù)據(jù)集地址：https://www.4seasons-dataset.com/

? ? 在本文中，我們提出了一種基于大規(guī)模4Seasons數(shù)據(jù)集的新穎的視覺SLAM和長期定位基準(zhǔn)，用于挑戰(zhàn)條件下的自動駕駛。提出的基準(zhǔn)提供了因季節(jié)變化和不同的天氣和照明條件而導(dǎo)致的外觀劇烈變化。雖然在類似條件的小規(guī)模數(shù)據(jù)集上推進可視化SLAM已經(jīng)取得了重大進展，但仍然缺乏代表真實世界自動駕駛場景的統(tǒng)一基準(zhǔn)。我們引入了一個新的統(tǒng)一基準(zhǔn)，用于聯(lián)合評估視覺里程計、全球位置識別和基于地圖的視覺定位性能，這對于在任何條件下成功實現(xiàn)自動駕駛都是至關(guān)重要的。

? ? 這些數(shù)據(jù)已經(jīng)收集了一年多，在9個不同的環(huán)境中產(chǎn)生了超過300公里的記錄，從多層停車場到城市(包括隧道)到農(nóng)村和高速公路。我們通過直接雙目慣性里程計與RTK GNSS的融合，提供全球一致的參考姿態(tài)，精度高達(dá)厘米級。我們評估了幾種最新的視覺里程計和視覺定位基線方法在基準(zhǔn)上的性能，并分析了它們的特性。

本文貢獻(xiàn)如下：?

1、我們提出了一個大規(guī)模的跨季節(jié)和多天氣基準(zhǔn)套件，用于汽車應(yīng)用中的長期視覺SLAM。它允許聯(lián)合評估視覺里程計、全局位置識別和基于地圖的視覺定位方法。

2、我們發(fā)布了大量額外的序列，涵蓋9種不同類型的環(huán)境，從多層次的停車場到城市(包括隧道)到農(nóng)村和高速公路。

3、我們在給出的基準(zhǔn)上提供了視覺SLAM和視覺定位的最先進基線方法的廣泛評估。

以上內(nèi)容來自從零開始機器人SLAM知識星球 每日更新內(nèi)容