M2DGR
Dataset SLAM multimodale e multiscenario registrato da un robot terrestre (RA-L 2022)
Licenza
MIT
Panoramica
M2DGR (Multi-modal and Multi-scenario Dataset for Ground Robots), della Shanghai Jiao Tong University, è un dataset di benchmark per la ricerca su SLAM e localizzazione registrato da un robot terrestre su ruote. La sua dotazione di sensori comprende sei telecamere fisheye, una fisheye rivolta verso il cielo, una telecamera a colori prospettica, una telecamera a infrarossi, una event camera, un LiDAR Velodyne a 32 fasci, un'unità di misura inerziale (IMU) e un GNSS, con dati acquisiti in 36 sequenze che coprono ascensori, uffici, strade, guida notturna e spazi privi di GNSS, tutte con ground truth ad alta precisione. È stato pubblicato su IEEE RA-L 2022 e presentato a ICRA 2022.
M2DGR colma un punto cieco dei benchmark SLAM: la maggior parte dei dataset classici è stata registrata da auto (KITTI) o da rig portatili o su drone (EuRoC), lasciando sottorappresentati i robot terrestri, con le loro vibrazioni, i punti di vista bassi e le missioni miste tra interni ed esterni. Il robot monta una dotazione di sensori straordinariamente ricca (sei fisheye panoramiche, una fisheye verso il cielo, RGB, infrarossi, event camera, LiDAR a 32 fasci, unità di misura inerziale (IMU) a 9 assi, doppio GNSS) con sincronizzazione temporale hardware e file di calibrazione completi. Le 36 sequenze mettono deliberatamente sotto stress gli stimatori: entrata e corse in ascensore, stanze buie, strade notturne, lunghi anelli all'aperto e transizioni tra interni ed esterni con perdita del GNSS. Il ground truth proviene da un laser tracker e da RTK/INS a seconda del luogo. Tutti i dati sono distribuiti come ROS bag con strumenti, calibrazione e indicazioni per la valutazione, e l'estensione complementare M2DGR-plus aggiunge ulteriori sequenze. È diventato un insieme di valutazione standard per gli articoli su SLAM LiDAR, visivo, termico e multisensore.
Perché è importante
M2DGR colma la lacuna dei robot terrestri nel canone dei benchmark SLAM: è uno dei dataset pubblici più ricchi di sensori mai registrati su una piattaforma su ruote, e i suoi scenari deliberatamente ostili (ascensori, buio, assenza di GNSS) ne hanno fatto un banco di prova standard per i moderni sistemi SLAM multisensore.
Il problema che risolve
I sistemi SLAM ottimizzati su dataset di auto e droni falliscono regolarmente sui robot terrestri nelle missioni miste tra interni ed esterni. M2DGR fornisce le sequenze multimodali, verificate con ground truth, di cui i ricercatori hanno bisogno per sviluppare e valutare onestamente stimatori per robot di consegna, AMR e piattaforme di ispezione.
Punti chiave
- 36 sequenze in uffici, ascensori, strade, di notte e in scenari privi di GNSS
- Oltre dieci sensori sincronizzati: 6 fisheye, fisheye verso il cielo, RGB, infrarossi, event camera, LiDAR a 32 fasci, IMU, GNSS
- Ground truth ad alta precisione tramite laser tracker (interni) e RTK/INS (esterni)
- Distribuito come ROS bag calibrati con strumenti e indicazioni per la valutazione
- Pubblicazione RA-L 2022 / ICRA 2022 con l'estensione M2DGR-plus per altri scenari
A chi si rivolge
- Ricercatori di SLAM e fusione dei sensori
- Sviluppatori di robot terrestri e AMR che valutano la localizzazione
- Manutentori di benchmark e laboratori attenti alla riproducibilità
- Studenti che imparano la calibrazione e la valutazione multisensore
Limiti
- Una sola piattaforma e una sola città (area del campus SJTU): la diversità geografica e di piattaforma è limitata
- Download di grandi dimensioni (centinaia di GB) ospitati in parte su mirror specifici per regione
- Solo dinamica di robot su ruote: non è rappresentativo di piattaforme con gambe o ad alta velocità