以下内容来自[从零开始机器人SLAM知识星球] 每日更新内容

点击领取学习资料 → 机器人SLAM学习资料大礼包

#论文# #开源数据集# 4Seasons: Benchmarking Visual SLAM and Long-Term Localization for Autonomous Driving in Challenging Conditions

地址：https://arxiv.org/abs/2301.01147

作者单位：慕尼黑工业大学

数据集地址：https://www.4seasons-dataset.com/

在本文中，我们提出了一种基于大规模4Seasons数据集的新颖的视觉SLAM和长期定位基准，用于挑战条件下的自动驾驶。提出的基准提供了因季节变化和不同的天气和照明条件而导致的外观剧烈变化。虽然在类似条件的小规模数据集上推进可视化SLAM已经取得了重大进展，但仍然缺乏代表真实世界自动驾驶场景的统一基准。我们引入了一个新的统一基准，用于联合评估视觉里程计、全球位置识别和基于地图的视觉定位性能，这对于在任何条件下成功实现自动驾驶都是至关重要的。

这些数据已经收集了一年多，在9个不同的环境中产生了超过300公里的记录，从多层停车场到城市(包括隧道)到农村和高速公路。我们通过直接双目惯性里程计与RTK GNSS的融合，提供全球一致的参考姿态，精度高达厘米级。我们评估了几种最新的视觉里程计和视觉定位基线方法在基准上的性能，并分析了它们的特性。

本文贡献如下：

1、我们提出了一个大规模的跨季节和多天气基准套件，用于汽车应用中的长期视觉SLAM。它允许联合评估视觉里程计、全局位置识别和基于地图的视觉定位方法。

2、我们发布了大量额外的序列，涵盖9种不同类型的环境，从多层次的停车场到城市(包括隧道)到农村和高速公路。

3、我们在给出的基准上提供了视觉SLAM和视觉定位的最先进基线方法的广泛评估。






以上内容来自从零开始机器人SLAM知识星球 每日更新内容