4Seasons：面向自动驾驶恶劣条件下视觉 SLAM 与长期定位的基准
计算机视觉与模式识别
2025-06-23 v2
摘要
本文基于大规模 4Seasons 数据集，提出一个面向自动驾驶恶劣条件下视觉 SLAM 与长期定位的新基准。所提基准提供了由季节变化及多样天气与光照条件引起的剧烈外观变化。尽管在相似条件下小规模数据集上的视觉 SLAM 已取得显著进展，但仍缺乏代表自动驾驶真实场景的统一基准。我们引入一个统一的新基准，用于联合评估视觉里程计、全局地点识别与基于地图的视觉定位性能，这对在任何条件下成功实现自动驾驶至关重要。数据收集历时一年以上，在九种不同环境中记录了超过 300 km 的行程，范围从多层停车库到城市（含隧道）、乡村与高速公路。我们提供由直接立体惯性里程计与 RTK GNSS 融合获得的全局一致参考位姿，精度达厘米级。我们在该基准上评估若干当前最优视觉里程计与视觉定位基线方法的性能并分析其特性。实验结果对现有方法提供新见解，并展现出未来研究的良好潜力。我们的基准与评估协议将发布于 https://go.vision.in.tum.de/4seasons。
引用
@article{arxiv.2301.01147,
title = {4Seasons: Benchmarking Visual SLAM and Long-Term Localization for Autonomous Driving in Challenging Conditions},
author = {Patrick Wenzel and Nan Yang and Rui Wang and Niclas Zeller and Daniel Cremers},
journal= {arXiv preprint arXiv:2301.01147},
year = {2025}
}
备注
Published in International Journal of Computer Vision (IJCV). arXiv admin note: substantial text overlap with arXiv:2009.06364