DiTer++: Diverse Terrain and Multi-modal Dataset for Multi-Robot SLAM in Multi-session Environments

📄 arXiv: 2412.05839v1 📥 PDF

作者: Juwon Kim, Hogyun Kim, Seokhwan Jeong, Youngsik Shin, Younggun Cho

分类: cs.RO

发布日期: 2024-12-08

💡 一句话要点

DiTer++：用于多机器人SLAM的多样地形和多模态多会话数据集

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 多机器人SLAM 多模态数据集 多样地形 腿式机器人 多会话环境 校园环境 激光雷达 视觉SLAM

📋 核心要点

  1. 现有SLAM方法难以应对校园等复杂环境，这些环境具有大规模、结构化/非结构化空间混合、光照变化和动态物体等挑战。
  2. DiTer++数据集通过模拟真实校园环境，提供多样地形、多模态传感器数据和多会话场景，旨在促进多机器人SLAM算法的开发和评估。
  3. 该数据集包含使用腿式机器人采集的数据，并提供通过高精度先验地图和扫描匹配生成的真值轨迹，为算法评估提供可靠依据。

📝 摘要（中文）

本文提出了DiTer++，一个多样地形和多模态数据集，专为多会话环境下的多机器人SLAM设计。该数据集模拟了校园等同时存在结构化和非结构化空间的大规模环境，其中光照条件和动态物体不断变化。根据数据集的场景设置，Agent-A和Agent-B分别在白天和夜晚扫描指定区域，以实现高效的大规模地图构建。此外，我们使用腿式机器人来实现地形无关的遍历。为了生成每个机器人的真值轨迹，我们首先构建测量级先验地图，然后从先验地图中移除动态物体和异常值，并通过扫描到地图的匹配提取轨迹。数据集和补充材料可在https://sites.google.com/view/diter-plusplus/获取。

🔬 方法详解

问题定义：现有SLAM方法在校园等大规模、复杂环境中面临诸多挑战，包括光照变化、动态物体干扰以及结构化和非结构化空间的混合。这些因素导致传统SLAM算法的精度和鲁棒性下降，难以实现可靠的大规模地图构建。此外，缺乏高质量的真实数据集也限制了相关算法的开发和评估。

核心思路：DiTer++数据集的核心思路是提供一个尽可能真实和全面的环境模拟，涵盖多样地形、多模态传感器数据和多会话场景。通过使用腿式机器人进行数据采集，可以保证在不同地形下的可靠性。同时，提供高精度的真值轨迹，为算法评估提供可靠依据。

技术框架：DiTer++数据集的构建流程主要包括以下几个阶段：1) 使用测量级设备构建高精度先验地图；2) 使用腿式机器人采集多模态传感器数据，包括激光雷达、相机等；3) 通过人工或半自动方式移除先验地图中的动态物体和异常值；4) 使用扫描到地图的匹配方法，将机器人采集的数据与先验地图进行对齐，从而提取机器人的真值轨迹。

关键创新：DiTer++数据集的关键创新在于其真实性和全面性。它不仅模拟了真实校园环境的复杂性，还提供了多模态传感器数据和多会话场景，这使得研究人员可以开发和评估更鲁棒和适应性更强的SLAM算法。此外，使用腿式机器人进行数据采集，保证了在不同地形下的可靠性。

关键设计：在数据集构建过程中，使用了测量级设备构建高精度先验地图，保证了真值轨迹的精度。同时，采用了扫描到地图的匹配方法，将机器人采集的数据与先验地图进行对齐，从而提取机器人的真值轨迹。数据集还包含了多种传感器数据，如激光雷达、相机等，为多模态SLAM算法的研究提供了支持。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

DiTer++数据集提供了在复杂校园环境中采集的多模态数据，包括激光雷达和相机数据，以及高精度的真值轨迹。该数据集的特点是涵盖了多样地形、多会话场景和动态物体，能够有效评估多机器人SLAM算法的鲁棒性和适应性。通过该数据集，研究人员可以开发出更可靠的SLAM算法，从而提高机器人在真实环境中的自主导航能力。

🎯 应用场景

DiTer++数据集可广泛应用于机器人导航、自主探索、环境感知等领域。该数据集能够促进多机器人SLAM算法的开发和评估，提高机器人在复杂环境中的自主作业能力。例如，可用于校园安防巡逻机器人、物流配送机器人、以及灾后救援机器人等。

📄 摘要（原文）

We encounter large-scale environments where both structured and unstructured spaces coexist, such as on campuses. In this environment, lighting conditions and dynamic objects change constantly. To tackle the challenges of large-scale mapping under such conditions, we introduce DiTer++, a diverse terrain and multi-modal dataset designed for multi-robot SLAM in multi-session environments. According to our datasets' scenarios, Agent-A and Agent-B scan the area designated for efficient large-scale mapping day and night, respectively. Also, we utilize legged robots for terrain-agnostic traversing. To generate the ground-truth of each robot, we first build the survey-grade prior map. Then, we remove the dynamic objects and outliers from the prior map and extract the trajectory through scan-to-map matching. Our dataset and supplement materials are available at https://sites.google.com/view/diter-plusplus/.