Hilti SLAM挑战赛数据集

SLAM在自主机器人方面的一个有前途的应用是在建筑工地。建筑机器人提供了一种消除工人危害、提高任务生产力和收集高质量数据的方法。然而，这些环境给SLAM系统带来了许多挑战。无特征的场景、不同的照明条件和突然的运动是主要挑战之一。在这一阶段中，包含相关场景和传感器的数据集的可用性发挥了重要作用。这些场景应描绘部署SLAM系统的实际应用程序，通过融合多个互补的传感器来实现最高的精度和鲁棒性。因此，SLAM数据集应包含多个传感器模态。

我们提出了Hitli SLAM挑战数据集。该数据集的目的是促进传感器融合的研究，以开发SLAM算法。该算法可以部署在需要高精度，毫米级和鲁棒性的任务中，例如在建筑环境中。我们的数据集包含建筑工地、办公室和实验室的室内序列以及建筑环境和停车场的室外序列。为了记录数据，我们创建了一套传感器，包括许多视觉、激光雷达和惯性传感器，使用商用传感技术的最新产品，特别关注时间同步和空间校准。该数据集用于Hitli SLAM挑战赛，许多学术和工业团体提交了他们的SLAM系统。挑战的结果表明，所提出的数据集可以成为开发准备在现实世界中部署的新SLAM算法的重要资产。

在室内、室外和室内外混合环境中收集各种条件下的数据。数据显示了不同施工阶段的实际挑战。挑战包括可变照明、有限的功能和/或高反射和透明表面，如图1所示。

图1 获取数据集的位置

(a) 地下室

数据是在无窗房间（约20×40米）中收集的。无自然光，照明亮度混合。带有建筑基础设施的混凝土空间。地下一层是一条短而简单的路径。在地下三层和四层，我们将传感器平台安装在移动底座上，而不是手持操作。地下三层和四层还允许利用SLAM系统的闭环功能。

(b) 校园

数据是在户外庭院环境中收集的（约40x60 m）。良好的自然采光和高照明。与建筑结构和自然植物的混合特征。

(c) 工地

大部分在户外，有一些有遮盖的区域（约40x80米）。自然光线强，照度高。未完成的自然表面，地平面上方的特征有限。

(d) IC办公室

室内空间有许多窗户和反光表面（约10x70米）。自然光和人造光的混合。窗户照明强烈，室内照明适中。

(e) 实验室

室内空间以大窗户为主（约10x10米）。强烈的自然光和反光表面。光学跟踪六自由度地面实况。

(f) Mitte办公室

建成办公楼的室内空间（约30x50米）。自然光和人造光的混合。很多建筑结构。

(g) 停车场

室内和室外空间的混合（约100x100米）。停车场从顶楼到底层。照明从极亮到适度的黑暗不等。顶层为地平面结构，下层为大量建筑结构。

(h) RPG跟踪区域

室内测试设施（约30x30米）。大部分是人造光，有些是自然光。单个大房间，整个房间有随机运动路径。MoCap 6自由度地面实况。

数据集以二进制格式（rosbags）存储，其中包含图像、IMU和LiDAR数据。对于来自Livox的数据，选择了自定义消息，因为与标准ROS PointCloud2消息相比，该消息包含额外的定时信息。图2显示了数据集Lab Survey 2中的相机和激光雷达数据的示例。

图2 数据集“Lab Survey 2”中的示例：来自5个摄像头和Ouster OS0点云的图像

每个数据集的地面实况数据都在一个单独的文件中给出，文件名指示参考源（例如Construction_Site_prism.txt表示在prism框架中的地面实况）。包中的所有主题列于表1。

表1 消息主题和ROSBAGS类型

在序列Basement 4 中，当Phasma设备位于房间中央时，LiDAR 里程计算法A-LOAM的数量特征轨迹仍然很高（每帧约1000 个），但当设备接近墙壁或近悬垂时它显着减少，见图3(a)。在这种情况下，A-LOAM估计轨迹的准确性会受到负面影响。但是LiDAR特征轨迹的减少可以通过视觉特征的增加来补偿，见图3（b）。这种情况下，可以通过融合相机和LiDAR测量的算法实现最佳性能。

图3（a）使用基于激光雷达的SLAM算法A-LOAM在“Basement 4”中跟踪的特征（b）低LiDAR特征事件期间的局部环境（时间约336秒）。封闭的墙壁和结构减少了LiDAR测量，而基于视觉的算法仍然可以正常运行

提议的数据集用于Hitli SLAM挑战赛，该挑战赛第一版在2021 年 IEEE/RSJ IROS 会议上举行。学术和工业团体提交了其SLAM算法在数据集的所有序列上的解决方案。共有27支队伍参加了挑战赛，其中有7家商业公司，详细见表2。

表2 Hitli SLAM挑战赛的结果。包含每次提交说明的报告可以在数据集网站上找到

前四位被商业算法占据，这些算法都专注于激光雷达-IMU里程计，显示了这些方法的成熟度和鲁棒性。最好的团队Megvii使用了FAST-LIO2的变体，并在所有序列上实现了9.3厘米的平均误差。旷视科技是为数不多的将Ouster和Livox LiDAR数据合并的团队之一，再加上使用所有LiDAR点进行状态估计，这给了他们一个显著的优势。将视觉与LiDAR和IMU融合在一起的最佳算法排名第5位，牛津机器人研究所的VILENS。最佳纯视觉解决方案排名第12位，大多数误差大于50厘米。结果表明，不出所料，商业算法优于学术算法。然而，在这次挑战之前，确切的差距尚不清楚。结果还表明，由于获胜团队没有融合相机数据，因此仍有改进的余地。

源自：IEEE ROBOTICS AND AUTOMATION LETTERS, VOL. 7, NO. 3, JULY 2022