tiers-lidar-dataset-enhanced

本数据集名为tiers-lidar-dataset-enhanced，由芬兰图尔库大学的图尔库智能嵌入式与机器人系统实验室创建。数据集包含9个序列，涵盖室内、室外和森林等多种环境，用于评估多模态激光雷达同步定位与地图构建（SLAM）算法。数据集通过集成高分辨率旋转和固态激光雷达，以及激光雷达相机和立体鱼眼相机，提供精确的地面实况数据。创建过程中，采用SLAM辅助的ICP基传感器融合方法生成地面实况地图，并通过自然分布变换（NDT）方法匹配实时点云数据。该数据集主要应用于自主驾驶和机器人导航领域，旨在解决在GNSS拒绝环境中的高精度定位问题。

This dataset, named tiers-lidar-dataset-enhanced, was developed by the Turku Intelligent Embedded and Robotic Systems Laboratory at the University of Turku, Finland. The dataset consists of 9 sequences covering diverse environments including indoor, outdoor, and forested areas, and is designed for evaluating multimodal LiDAR simultaneous localization and mapping (SLAM) algorithms. It provides accurate ground-truth data by integrating high-resolution rotating and solid-state LiDARs, a LiDAR camera, and a stereo fisheye camera. During its development, a SLAM-aided ICP-based sensor fusion method was employed to generate ground-truth maps, and real-time point cloud data was matched using the Normal Distributions Transform (NDT) method. This dataset is primarily applied in the fields of autonomous driving and robotic navigation, aiming to address the challenge of high-precision positioning in GNSS-denied environments.

原始信息汇总

数据集概述

数据集名称

A Benchmark for Multi-Modal Lidar SLAM with Ground Truth in GNSS-Denied Environments

数据集简介

该数据集用于评估在无GNSS环境下基于激光雷达的SLAM算法。数据集包含多种激光雷达传感器数据，包括旋转式和固态激光雷达，以及激光雷达相机。通过多模态激光雷达传感器融合方法生成地面真实地图，用于评估SLAM算法的定位精度、内存和计算资源消耗。

主要贡献

• 提出了一种在无MOCAP或GNSS/RTK环境下的地面真实轨迹生成方法，利用多模态数据采集平台和高分辨率传感器。
• 提供了一个包含5种不同激光雷达传感器、一个激光雷达相机和一个立体鱼眼相机的数据集，涵盖多种环境。
• 对十种基于滤波和优化的SLAM方法进行了基准测试，评估了其里程计精度、内存和计算资源消耗。

数据集更新

• 2022.09.20 初始数据集上传
• 2022.09.20 更新rosbag链接

数据集序列

主要数据集

序列名称	采集日期	总大小	时长	特征	Rosbag链接	地面真实数据链接
Indoor06	2022-08-10	19.7g	64s	白天,室内,办公室	Rosbag	SLAM+ICP
Indoor07	2022-07-16	22.4g	73s	白天,室内,办公室	Rosbag	SLAM+ICP
Indoor08	2022-07-05	33.1g	89s	白天,室内,办公室	Rosbag	SLAM+ICP
Indoor09	2022-07-11	48.7g	168s	白天,室内,走廊	Rosbag	SLAM+ICP
Indoor10	2022-06-07	43.0g	121s	白天,室内,走廊	Rosbag	SLAM+ICP
Indoor11	2021-06-06	79.5g	237s	白天,室内,大厅	Rosbag	SLAM+ICP
Road3	2022-06-17	44.0g	146s	夏季,室外,道路	Rosbag	GNSS/RTK
Forest01	2022-02-08	21.9g	62s	冬季,夜晚,广场	Rosbag	MOCAP
Forest02	2022-02-08	22.4g	73s	冬季,夜晚,直线	Rosbag	MOCAP

地面真实数据

地面真实数据文件包含以下列：

timestamp, pose.position.x, pose.position.y, pose.position.z, pose.orientation.x, pose.orientation.y, pose.orientation.z, pose.orientation.w

其他数据

序列名称	采集日期	总大小	时长	特征	Rosbag链接
LidarsCali	2022-02-11	21.9g	19.1s	房间	Rosbag

传感器参数

传感器规格如下：

• 角度分辨率可配置于OS1-64（垂直视场角可变）。
• Livox激光雷达具有非重复扫描模式，随着积分时间的增加，角度分辨率更高。
• 范围基于制造商信息，对应80%朗伯反射率和100 klx阳光，L515和Realsense T265激光雷达相机除外。

ROS主题

基于NDT方法的数据集

传感器类型	ROS主题
VLP-16 LIDAR	/velodyne_points sensor_msgs/PointCloud2
OS0 LIDAR	/os0_cloud_node/imu sensor_msgs/Imu<br>/os0_cloud_node/points sensor_msgs/PointCloud2<br>/os0_img_node/nearir_image sensor_msgs/Image<br>/os0_img_node/range_image sensor_msgs/Image<br>/os0_img_node/reflec_image sensor_msgs/Image
OS1 LIDAR	/os1_cloud_node/imu sensor_msgs/Imu<br>/os1_cloud_node/points sensor_msgs/PointCloud2
Horizon LIDAR	/horizon/livox/imu sensor_msgs/Imu<br>/horizon/livox/lidar livox_ros_driver/CustomMsg
AVIA LIDAR	/avia/livox/imu sensor_msgs/Imu<br>/avia/livox/lidar livox_ros_driver/CustomMsg
L515 LIDAR CAMERA	/l515/accel/sample sensor_msgs/Imu<br>/l515/color/image_raw sensor_msgs/Image<br>/l515/depth/color/points sensor_msgs/PointCloud2<br>/l515/depth/image_rect_raw sensor_msgs/Image<br>/l515/gyro/sample sensor_msgs/Imu
T265 LIDAR CAMERA	/t265/accel/sample sensor_msgs/Imu<br>/t265/fisheye1/image_raw sensor_msgs/Image<br>/t265/fisheye2/image_raw sensor_msgs/Image<br>/t265/gyro/sample sensor_msgs/Imu<br>/t265/odom/sample nav_msgs/Odometry

基于MOCAP或GNSS/RTK的数据集

传感器类型	ROS主题
VLP-16 LIDAR	/velodyne_points sensor_msgs/PointCloud2
OS0 LIDAR	/os0_cloud_node/imu sensor_msgs/Imu<br>/os0_cloud_node/points sensor_msgs/PointCloud2<br>/os0_img_node/nearir_image sensor_msgs/Image<br>/os0_img_node/range_image sensor_msgs/Image<br>/os0_img_node/reflec_image sensor_msgs/Image
OS1 LIDAR	/os1_cloud_node/imu sensor_msgs/Imu<br>/os1_cloud_node/points sensor_msgs/PointCloud2
Horizon LIDAR	/horizon/livox/imu sensor_msgs/Imu<br>/horizon/livox/lidar livox_ros_driver/CustomMsg
AVIA LIDAR	/avia/livox/imu sensor_msgs/Imu<br>/avia/livox/lidar livox_ros_driver/CustomMsg
L515 LIDAR CAMERA	/l515/accel/sample sensor_msgs/Imu<br>/l515/color/image_raw sensor_msgs/Image<br>/l515/depth/color/points sensor_msgs/PointCloud2<br>/l515/depth/image_rect_raw sensor_msgs/Image<br>/l515/gyro/sample sensor_msgs/Imu
T265 LIDAR CAMERA	/t265/accel/sample sensor_msgs/Imu<br>/t265/fisheye1/image_raw sensor_msgs/Image<br>/t265/fisheye2/image_raw sensor_msgs/Image<br>/t265/gyro/sample sensor_msgs/Imu<br>/t265/odom/sample nav_msgs/Odometry
MOCAP SYSTEM	/vrpn_client_node/optitest/pose geometry_msgs/PoseStamped
GNSS/RTK	/mavros/global_position/global sensor_msgs/NavSatFix<br>/mavros/global_position/local nav_msgs/Odometry<br>/mavros/global_position/raw/fix sensor_msgs/NavSatFix<br>/mavros/global_position/raw/gps_vel geometry_msgs/TwistStamped<br>/mavros/global_position/raw/satellites std_msgs/UInt32<br>/mavros/imu/data sensor_msgs/Imu<br>/mavros/imu/mag sensor_msgs/MagneticField<br>/mavros/local_position/odom nav_msgs/Odometry

开发工具包

帧ID重置

使用srv_tools工具更改每个主题的frame_id。

可视化数据

• Ubuntu 64位16.04或18.04
• ROS Kinetic或Melodic
• PCL
• Livox ROS Driver

评估

使用evo工具进行评估。

校准

• 激光雷达外参校准工具
• IMU内参校准工具
• 相机与Livox激光雷达外参校准工具

传感器详细信息和数据表

• Avia
• Horizon
• OS0
• OS1
• Vlp-16
• Realsense L515

搜集汇总

数据集介绍

构建方式

tiers-lidar-dataset-enhanced 数据集的构建采用了多模态激光雷达传感器设置，包括旋转和固态两种扫描模式以及激光雷达相机。该数据集是在移动感知和计算平台上进行数据采集，通过多源地面真实数据扩展了先前多模态多激光雷达数据集。为了生成地面真实地图，提出了一种新的多模态多激光雷达 SLAM 辅助和 ICP 基于传感器融合方法。使用这些地图，然后使用自然分布变换 (NDT) 方法匹配实时点云数据，以获得具有完整 6 DOF 姿态估计的地面真实值。这种新颖的地面真实数据利用了高分辨率旋转和固态激光雷达。数据集还包含新的开放道路序列，其中包含 GNSSRTK 数据和具有运动捕捉 (MOCAP) 地面真实数据的额外室内序列，以补充先前具有 MOCAP 数据的森林序列。

特点

tiers-lidar-dataset-enhanced 数据集具有以下特点：1) 包含来自 5 个不同激光雷达传感器、1 个激光雷达相机和 1 个立体鱼眼相机的数据；2) 提供了所有序列的地面真实数据；3) 包含 10 种最先进的滤波器和优化器 SLAM 方法在数据集上的基准测试结果，包括定位精度、内存和计算资源消耗。数据集在结构化和非结构化环境中都提供了多模态激光雷达传感器的性能参考。

使用方法

使用 tiers-lidar-dataset-enhanced 数据集的方法包括：1) 使用数据集中的地面真实数据对激光雷达定位和建图算法进行基准测试；2) 分析不同 SLAM 算法和激光雷达组合在不同环境下的性能；3) 使用数据集中的轨迹数据对 SLAM 算法的精度进行评估；4) 根据数据集中的资源利用率评估 SLAM 算法在不同计算平台上的性能。

背景与挑战

背景概述

在自主机器人系统中，基于激光雷达的同步定位与建图（SLAM）方法取得了显著的成功。这得益于鲁棒的SLAM算法的高精度和新一代低成本激光雷达产品的出现。本研究旨在通过一个多模态激光雷达传感器设置，展示多样化的扫描模式（旋转和固态）和传感技术，以及安装在移动传感和计算平台上的激光雷达相机，对当前最先进的激光雷达SLAM算法进行基准测试。我们扩展了之前的多元多激光雷达数据集，增加了额外的序列和新的地面真实数据源。具体来说，我们提出了一种新的多元多激光雷达SLAM辅助和ICP基于传感器融合方法，用于生成地面真实地图。有了这些地图，我们然后使用自然分布变换（NDT）方法匹配实时点云数据，以获得完整的6自由度姿态估计的地面真实数据。这种新颖的地面真实数据利用了高分辨率旋转和固态激光雷达。我们还包括新的开放道路序列，具有GNSS-RTK数据和具有运动捕捉（MOCAP）地面真实的额外室内序列，补充了以前具有MOCAP数据的森林序列。我们对使用十种不同的SLAM算法和激光雷达组合实现的定位精度进行了分析。我们还报告了四种不同的计算平台和总共五种设置（Intel和Jetson ARM CPU）的资源利用率。我们的实验结果表明，当前最先进的激光雷达SLAM算法对于不同类型的传感器表现非常不同。更多结果、代码和数据集可以在github.com/TIERS/tiers-lidarsdataset-enhanced上找到。

当前挑战

尽管固态激光雷达在成本和分辨率方面克服了旋转激光雷达的一些挑战，但它们在相对较小的视场（FoV）方面引入了一些新的限制。事实上，这些激光雷达以显著更低的成本提供更多的感知范围。其他限制包括不规则的扫描模式或运动模糊的增加，这些都会影响传统的激光雷达数据处理方法。尽管固态激光雷达越来越受欢迎，但很少有研究在多样化的环境中对旋转激光雷达和固态激光雷达的性能进行基准测试，这限制了更通用激光雷达SLAM算法的发展。为了弥补文献中的这一差距，我们提出了一个基准测试，比较了不同模态激光雷达（旋转、固态）在各种环境中的性能，包括室内办公室、长走廊、大厅、森林和开放道路。为了进行更准确和公平的比较，我们介绍了一种在大型室内空间中生成地面真实轨迹的新方法（见图1a）。这种增强的地面真实数据使我们能够显著提高定量基准测试和与之前工作[9]的比较程度。我们希望扩展的数据集、地面真实标签和更详细的数据能够为学术界和工业界在结构和非结构化环境中多模态激光雷达传感器的性能提供性能参考。

常用场景

经典使用场景

该数据集主要用于评估和比较不同类型的激光雷达（旋转和固态）在各种环境（室内办公室、长走廊、大厅、森林和开放道路）中的性能。通过提供多模态激光雷达传感器设置和真实数据，研究者可以在没有运动捕捉系统或类似设备的更大环境中，以显著高于GNSS/RTK解决方案的精度进行激光雷达里程计和地图构建算法的基准测试。

实际应用

该数据集在实际应用中，可用于自动驾驶汽车、无人机、森林调查和工业数字孪生等领域。通过比较和分析不同类型激光雷达的性能，研究者可以开发出更精确、更高效的SLAM算法，为自主机器人系统提供更好的感知能力。同时，数据集中提供的真实数据也有助于改进激光雷达数据处理的算法，提高激光雷达在复杂环境中的性能。

衍生相关工作

基于该数据集，研究者可以开发出更精确、更高效的SLAM算法，并应用于自动驾驶汽车、无人机、森林调查和工业数字孪生等领域。此外，数据集中提供的真实数据也有助于改进激光雷达数据处理的算法，提高激光雷达在复杂环境中的性能。