CARLA-Loc

CARLA-Loc数据集是由新加坡国立大学先进机器人中心开发的一个合成数据集，专门设计用于评估在具有挑战性的动态环境中的SLAM（同时定位与地图构建）算法。该数据集利用CARLA模拟器创建，集成了多种传感器，包括摄像头、事件摄像头、激光雷达、雷达和IMU等，以确保生成数据的真实性。CARLA-Loc包含7个地图和42个序列，每个序列在动态性和天气条件上都有所不同。此外，还提供了一个管道脚本，使用户能够方便地生成自定义序列。数据集主要用于验证SLAM算法在多样条件下的有效性，特别是在自动驾驶领域的应用。CARLA-Loc dataset is a synthetic dataset developed by the Advanced Robotics Center of the National University of Singapore, specifically designed to evaluate SLAM (Simultaneous Localization and Mapping) algorithms in challenging dynamic environments. Created using the CARLA simulator, this dataset integrates multiple sensors including cameras, event cameras, LiDAR, radar, IMU and others to ensure the authenticity of the generated data. CARLA-Loc comprises 7 maps and 42 sequences, with each sequence differing in terms of dynamics and weather conditions. Additionally, a pipeline script is provided to allow users to conveniently generate custom sequences. This dataset is primarily intended to validate the effectiveness of SLAM algorithms across diverse conditions, particularly for applications in the autonomous driving field.

搜集汇总

数据集介绍

构建方式

在自动驾驶领域，对SLAM算法在复杂环境下的鲁棒性评估需求日益增长，但真实世界数据难以在可控条件下复现多变的环境参数。CARLA-Loc数据集基于CARLA仿真平台构建，通过精心设计的传感器配置与数据生成流程，模拟了多样化的动态场景与恶劣天气条件。该数据集利用CARLA的录制功能，在七个不同地图中生成42个序列，每个序列均包含静态与动态环境设置，并覆盖晴朗、雾霾和雨夜三种预设天气。传感器配置包括双目相机、事件相机、激光雷达、雷达和IMU等，并通过参数调优与噪声模型增强数据真实性。此外，数据集提供完整的流水线脚本，支持用户根据特定需求自定义序列生成，确保了数据的一致性与可重复性。

特点

CARLA-Loc数据集的核心特点在于其高度可控的环境多样性与全栈传感器集成。该数据集通过仿真平台实现了对动态对象和天气条件的精确调控，在相同自我运动轨迹下提供多种环境变体，从而支持SLAM算法在挑战性场景下的定量比较。传感器配置经过细致优化，例如激光雷达添加了高斯噪声以模拟真实点云失真，IMU数据通过立方样条插值与随机游走噪声模型提升真实性。数据集涵盖城市、乡村和高速公路等多种地图类型，并结合语义分割标签，为动态对象去除提供了基础。这些设计使得CARLA-Loc不仅能够评估传统SLAM性能，还能促进多传感器融合算法在复杂环境中的鲁棒性研究。

使用方法

CARLA-Loc数据集为SLAM算法的评估与开发提供了系统化的实验平台。用户可通过公开访问的网站获取数据集，其中包含原始传感器数据、校准信息以及地面真实轨迹。数据集支持直接用于视觉SLAM、激光雷达SLAM及多传感器融合算法的性能测试，特别是在动态环境和恶劣天气下的鲁棒性分析。此外，提供的流水线脚本允许用户基于CARLA仿真器生成自定义序列，调整天气、动态对象数量等参数，以适应特定研究需求。数据集还附带了ROS数据包转换工具，简化了与现有SLAM系统的集成流程。通过对比不同环境设置下的定位误差，研究者能够深入探究环境因素对SLAM算法的影响，并推动更稳健的定位解决方案的发展。

背景与挑战

背景概述

在自动驾驶技术迅猛发展的背景下，同步定位与建图（SLAM）算法的鲁棒性成为确保车辆在复杂环境中可靠运行的核心挑战。然而，真实世界数据采集受限于环境参数的可控性，难以系统评估恶劣天气与动态场景对SLAM性能的影响。为此，新加坡国立大学先进机器人中心的研究团队于2023年推出了CARLA-Loc数据集，该数据集基于CARLA仿真平台构建，旨在通过高保真多传感器配置，模拟包括雾天、雨夜及动态交通在内的多样化挑战性场景。CARLA-Loc涵盖7张地图与42条序列，每条序列均保持相同的自车轨迹以支持定量对比，为SLAM算法在极端条件下的鲁棒性评估提供了标准化基准，推动了自动驾驶定位技术的研究进程。

当前挑战

CARLA-Loc数据集致力于解决SLAM领域在动态环境与恶劣天气下面临的定位精度下降问题。具体而言，动态物体如车辆与行人会导致特征匹配错误，进而引发定位漂移与建图噪声；雨雾等天气条件则会显著降低视觉与激光雷达数据的质量，使传统SLAM系统难以维持稳定性能。在数据集构建过程中，研究团队面临多重挑战：一是需在仿真环境中精细调整传感器参数以逼近真实物理特性，例如为IMU数据引入更符合实际的误差模型，并为激光雷达点云添加失真效果；二是必须确保在不同环境设置下自车运动轨迹完全一致，这要求对仿真器的录制与回放机制进行深度优化，以实现跨场景的公平性能比较。

常用场景

经典使用场景

在自动驾驶与机器人导航领域，同步定位与建图（SLAM）算法的鲁棒性评估面临严峻挑战，尤其是在动态物体与恶劣天气交织的复杂场景中。CARLA-Loc数据集通过CARLA仿真平台精心构建，集成了多模态传感器数据，包括相机、事件相机、激光雷达、雷达与惯性测量单元，为研究者提供了一个可控且多样化的测试环境。该数据集的核心应用场景在于系统性地评估视觉与激光雷达SLAM算法在动态交通流、雨雾天气及昼夜变化条件下的性能表现，通过预设的42个序列与7张地图，支持算法在相同轨迹下应对不同环境因素的定量比较，从而深入探究环境扰动对定位精度的影响机制。

衍生相关工作

围绕CARLA-Loc数据集，已衍生出一系列聚焦于动态与恶劣环境下SLAM增强的经典研究工作。例如，基于该数据集的评估推动了如DynaSLAM系列等视觉SLAM方法的演进，这些方法融合语义分割与几何约束以抑制动态物体干扰；在激光雷达SLAM领域，诸如FAST-LIO2等直接匹配算法通过利用惯性数据提升了对动态点云的鲁棒性，相关研究借助CARLA-Loc的量化结果验证了其有效性。此外，数据集的多传感器配置也激励了跨模态融合算法的发展，如视觉-惯性-激光雷达紧耦合系统，这些工作通过利用数据集提供的同步多源数据，探索了在传感器退化情况下的互补融合策略，进一步丰富了鲁棒SLAM的技术体系。

数据集最近研究

最新研究方向

在自动驾驶与机器人定位领域，CARLA-Loc数据集正推动着对复杂环境下SLAM算法鲁棒性的前沿探索。该数据集通过高保真模拟，整合了多传感器配置与动态天气条件，为研究多模态融合与动态对象处理提供了关键基准。当前热点聚焦于利用语义分割与惯性数据增强SLAM系统在动态场景中的稳定性，以及探索事件相机等新型传感器在恶劣天气下的补偿机制。这些研究不仅深化了对环境干扰因素的理解，也为自动驾驶系统在真实世界中的可靠部署奠定了理论基础，具有重要的工程应用价值。

相关研究论文

• CARLA-Loc: Synthetic SLAM Dataset with Full-stack Sensor Setup in Challenging Weather and Dynamic Environments

  新加坡国立大学先进机器人中心 · 2024年