AVM-SLAM Dataset|自动驾驶数据集|SLAM数据集

为了验证提出的AVM-SLAM系统，在一个220m×110m的地下车库中进行了测试，该车库拥有超过430个停车位。测试车辆装备了四个环视鱼眼摄像头、四个轮速编码器和一个IMU，所有设备均已同步和离线校准。数据集包括四个鱼眼图像序列、一个鸟瞰图（BEV）图像序列、四组轮速编码器数据和一个IMU数据集。该数据集将有益于SLAM领域的进一步研究，特别是对于地下车库中自动驾驶车辆的定位。

To validate the proposed AVM-SLAM system, tests were conducted in an underground garage measuring 220m×110m, which contains over 430 parking spaces. The test vehicle was equipped with four surround-view fisheye cameras, four wheel speed encoders, and an IMU, all of which were synchronized and calibrated offline. The dataset includes four sequences of fisheye images, one sequence of bird's-eye view (BEV) images, four sets of wheel speed encoder data, and one IMU dataset. This dataset will be beneficial for further research in the SLAM field, particularly for the localization of autonomous vehicles in underground garages.

原始信息汇总

AVM-SLAM 数据集概述

数据集内容

• 图像数据：

  • 四路鱼眼相机图像序列，频率为10Hz，分辨率为1280x960。
  • 一路鸟瞰图（BEV）图像序列，频率为10Hz，分辨率为1354x1632，像素尺寸为1.05cm/pixel，由车辆周围的监控系统（AVM）生成。

• 传感器数据：

  • 四组轮速编码器数据。
  • 一组惯性测量单元（IMU）数据。

测试环境

• 测试在一个面积为220m×110m的地下车库进行，该车库拥有超过430个停车位。

数据集用途

• 该数据集适用于SLAM（同时定位与地图构建）的进一步研究，特别是在地下车库中自动驾驶车辆的定位。

访问与使用

• 数据集仅供学术使用，遵循GNU通用公共许可证版本3（GPLv3）。
• 如需商业使用，请联系作者获取详细信息。

AI搜集汇总

数据集介绍

构建方式

为了验证AVM-SLAM系统的有效性，研究团队在一个面积为220米×110米的地下车库中进行了测试，该车库拥有超过430个停车位。测试车辆配备了四个环绕视角的鱼眼摄像头、四个轮速编码器和一个惯性测量单元（IMU），所有传感器均经过同步和离线校准。数据集包括四个鱼眼图像序列（10Hz@1280x960）、一个由环绕视角监控（AVM）子系统生成的鸟瞰图（BEV）图像序列（10Hz@1354x1632，1.05cm/pixel）、四组轮速编码器数据以及一个IMU数据集。

特点

AVM-SLAM数据集的显著特点在于其多传感器融合和高度同步的特性，这为地下车库中的自动驾驶车辆定位提供了丰富的数据支持。特别是，鸟瞰图（BEV）图像序列的生成，为视觉SLAM研究提供了新的视角和数据维度。此外，数据集的高频率和高分辨率确保了数据的精细度和实时性，这对于SLAM系统的精度和稳定性至关重要。

使用方法

该数据集主要用于学术研究，特别是在SLAM和自动驾驶车辆定位领域。研究者可以通过访问提供的链接下载数据集，并根据GNU General Public License Version 3（GPLv3）进行使用。对于商业用途，需联系作者获取详细信息。数据集的使用应遵循相关法律法规，确保数据的合法性和安全性。

背景与挑战

背景概述

AVM-SLAM数据集是为验证[AVM-SLAM: Semantic Visual SLAM with Multi-Sensor Fusion in a Bird’s Eye View for Automated Valet Parking](https://arxiv.org/abs/2309.08180)论文中的系统而创建的，该论文已被IROS 2024会议接收。该数据集的核心研究问题在于通过多传感器融合技术，实现地下车库中自动驾驶车辆的精确定位与导航。研究团队在一个220米×110米的地下车库中进行了测试，该车库拥有超过430个停车位，测试车辆配备了四台环视鱼眼摄像头、四个轮速编码器和一个IMU，所有设备均经过同步和离线校准。数据集包括四组鱼眼图像序列、一组由Around View Monitor (AVM)子系统生成的鸟瞰图图像序列、四组轮速编码器数据以及一组IMU数据。这些数据为SLAM领域的进一步研究，特别是在地下车库中自动驾驶车辆的定位，提供了宝贵的资源。

当前挑战

AVM-SLAM数据集在构建过程中面临多项挑战。首先，多传感器数据的同步与校准是一个复杂的过程，确保各传感器数据在时间和空间上的精确对齐是实现高精度定位的关键。其次，地下车库环境的光线条件复杂，鱼眼摄像头捕捉的图像可能存在光照不均和阴影问题，这对图像处理和特征提取提出了更高的要求。此外，地下环境的封闭性和复杂结构增加了环境建模和地图构建的难度。最后，数据集的规模和多样性要求高效的存储和处理技术，以支持大规模数据的分析和应用。这些挑战不仅反映了数据集构建的技术难度，也为未来的研究提供了改进和优化的方向。

常用场景

经典使用场景

在自动驾驶领域，AVM-SLAM数据集的经典使用场景主要集中在地下车库的自主泊车系统中。通过融合四路鱼眼摄像头、轮速编码器和惯性测量单元（IMU）的数据，该数据集支持高精度的语义视觉SLAM（同步定位与地图构建），从而实现车辆在复杂环境中的精确导航与定位。

实际应用

在实际应用中，AVM-SLAM数据集为自动驾驶车辆的自主泊车系统提供了关键支持。通过高精度的定位与地图构建，车辆能够在地下车库等复杂环境中实现自主导航，极大地提升了泊车系统的可靠性和用户体验。

衍生相关工作

基于AVM-SLAM数据集，学术界已衍生出多项相关研究工作，包括但不限于多传感器融合技术、地下环境中的语义地图构建以及高精度定位算法。这些研究不仅推动了自动驾驶技术的发展，也为其他复杂环境中的定位问题提供了新的解决方案。