GEODE

GEODE数据集由中山大学、香港大学和香港科技大学联合创建，旨在解决在几何退化环境中使用3D LiDAR进行姿态估计和地图生成的挑战。该数据集包含64条轨迹，覆盖超过64公里的多样化场景，包括城市隧道、桥梁、地铁隧道等。数据集通过集成多种LiDAR传感器、立体相机和IMU，提供了丰富的多传感器数据。创建过程中，数据集在多种平台和环境中进行了详细的数据采集和校准。GEODE数据集的应用领域主要集中在机器人系统的自主导航和同步定位与地图构建（SLAM）技术，旨在提高算法在复杂环境中的鲁棒性和准确性。The GEODE dataset was jointly developed by Sun Yat-sen University, The University of Hong Kong, and The Hong Kong University of Science and Technology, aiming to address the challenges of pose estimation and map generation using 3D LiDAR in geometrically degenerate environments. This dataset contains 64 trajectories covering over 64 kilometers of diverse scenarios, including urban tunnels, bridges, subway tunnels, and more. It provides rich multi-sensor data by integrating multiple LiDAR sensors, stereo cameras, and IMUs. During its creation, the dataset underwent detailed data collection and calibration across various platforms and environments. The primary application fields of the GEODE dataset focus on autonomous navigation of robotic systems and simultaneous localization and mapping (SLAM) technologies, aiming to improve the robustness and accuracy of algorithms in complex environments.

搜集汇总

数据集介绍

构建方式

GEODE数据集的构建旨在填补现有开源数据集在几何退化环境中的不足，特别是在评估鲁棒的LiDAR SLAM算法方面。为了实现这一目标，研究者们设计了三种设备，配备了不同类型的LiDAR传感器，包括旋转式和非重复式LiDAR，以及立体相机和惯性测量单元（IMU）。这些设备被安装在手持设备、无人地面车辆（UGV）、帆船和车辆上，以收集在具有不同程度退化特性的七个不同场景中的数据。数据收集过程中，研究者们采用了精确的校准和同步方案，确保了多传感器数据的准确性和一致性。

特点

GEODE数据集的特点在于其多样性、全面性和实用性。首先，数据集包含来自不同LiDAR传感器的数据，具有不同的扫描模式、扫描线和视场（FOV）。其次，数据集涵盖了多种几何退化环境，包括平坦地面、楼梯、地铁隧道、越野地形、内陆水道、城市隧道和桥梁，这些场景具有不同程度的几何退化。此外，数据集还提供了精确的地面真实位姿和部分序列的地面真实地图，以便于算法评估和验证。最后，数据集的组织结构清晰，提供了多种格式的原始数据，包括人类可读的文本、JPEG图像和二进制LiDAR点云文件，以及用于可视化和评估算法的工具。

使用方法

GEODE数据集的使用方法包括多个步骤。首先，用户需要下载数据集并解压。其次，用户可以根据需要选择不同的数据格式进行使用，例如ROS bag文件、文本文件、JPEG图像或二进制LiDAR点云文件。然后，用户可以使用提供的工具和脚本进行数据预处理、可视化、评估算法的性能等。最后，用户可以将自己的算法应用于数据集，并通过比较算法结果和地面真实数据来评估算法的性能和鲁棒性。

背景与挑战

背景概述

在机器人自主导航领域，基于3D激光雷达的位姿估计和地图构建能力对提升系统自主性至关重要。然而，现有的开源数据集在几何退化环境方面的代表性不足，这限制了鲁棒激光雷达SLAM算法的开发和基准测试。为解决这一空白，研究人员引入了GEODE数据集，这是一个全面的、多激光雷达、多场景的数据集，旨在包含现实世界中的几何退化环境。GEODE数据集包含了64条轨迹，总长度超过64公里，涵盖了7种不同的环境设置，具有不同程度的退化。数据收集过程中，研究人员精心整合了多种激光雷达传感器、立体相机、IMU以及多样化的运动条件，以促进通用算法的发展。使用GEODE数据集对最先进的SLAM方法进行评估，突出了激光雷达SLAM技术在退化环境中的局限性。这一庞大的数据集将公开发布，支持激光雷达SLAM研究的进一步发展。

当前挑战

GEODE数据集旨在解决当前激光雷达SLAM算法在几何退化环境中的局限性。首先，现有的开源SLAM数据集主要记录在特征丰富的环境中，如校园、公园或街道，通常排除各种类型的退化场景。其次，尽管一些数据集提供了多个退化场景，但它们无法扩展到包含各种环境规模，这对于在不同操作环境中展示有希望的性能是必要的。第三，现有数据集主要关注单一类型的激光雷达，而没有异构设置。将多样化的激光雷达传感器纳入研究对于调查在各种挑战性环境中的通用方法至关重要。GEODE数据集的创建旨在解决这些挑战，通过提供广泛的几何退化环境、多种激光雷达配置和多样化的平台特性，以促进鲁棒的SLAM算法的发展。

常用场景

经典使用场景

在机器人自主导航领域，GEODE数据集被广泛用于评估和开发鲁棒的激光雷达SLAM算法。其包含64个轨迹，覆盖了64公里的距离，跨越了七个具有不同退化程度的环境，包括平坦地面、楼梯、地铁隧道、越野地形、内陆水道、城市隧道和桥梁。这些场景为SLAM算法提供了丰富的挑战，特别是在几何退化的环境中，例如隧道和地下空间，其中几何约束在特定方向上可能无法与噪声区分开来，导致状态优化收敛到由噪声引起的最优解，即退化解。GEODE数据集通过包含各种激光雷达传感器、立体相机、IMU和多种运动条件，旨在促进通用算法的发展。

衍生相关工作

GEODE数据集的发布推动了激光雷达SLAM领域的研究，促进了多种相关经典工作的出现。例如，基于GEODE数据集的评估和开发，研究人员提出了多种改进的SLAM算法，如LIO-SAM、DLIO、COIN-LIO和R3LIVE等，这些算法通过融合多种传感器数据和改进的退化检测与缓解技术，提高了在退化环境中的定位精度和鲁棒性。此外，GEODE数据集还促进了SLAM算法在真实世界场景中的测试和验证，为开发更可靠的机器人系统提供了重要的数据支持。

数据集最近研究

最新研究方向

在机器人系统自主性方面，利用3D激光雷达估计位姿和生成地图的能力得到了显著提升。然而，现有的开源数据集缺乏对几何退化环境的代表性，限制了鲁棒的激光雷达SLAM算法的发展和基准测试。为了填补这一空白，我们引入了GEODE，一个全面的、多激光雷达、多场景的数据集，特别设计用于包括现实世界中的几何退化环境。GEODE包括64条轨迹，跨越64公里，涵盖七个不同的环境，具有不同程度的退化。这些数据经过精心收集，通过整合各种激光雷达传感器、立体相机、IMU和多种运动条件，以促进多功能算法的发展。我们使用GEODE数据集评估了最先进的SLAM方法，以突出激光雷达SLAM技术的当前局限性。这个庞大的数据集将在https://geode.github.io上公开发布，支持激光雷达SLAM的进一步发展。

相关研究论文

• Heterogeneous LiDAR Dataset for Benchmarking Robust Localization in Diverse Degenerate Scenarios

  中山大学、香港大学、香港科技大学 · 2024年