ROOAD：RELLIS越野里程计分析数据集
机器人学
2022-04-08 v2
摘要
视觉-惯性里程计（VIO）的开发与实现一直聚焦于结构化环境，但对越野环境定位的兴趣正在增长。本文提出RELLIS越野里程计分析数据集（ROOAD），该数据集提供高质量、时间同步的越野单目视觉-惯性数据序列，以推动相关研究的进展。我们在两种最先进的VIO算法上评估了该数据集：（1）Open-VINS与（2）VINS-Fusion。我们的结果表明，这两种算法在ROOAD数据集上的表现相比其在结构化环境中的表现差了2至30倍。此外，在越野环境中，OpenVINS比VINS-Fusion具有更好的跟踪稳定性和实时性能，而VINS-Fusion在多个数据序列中的跟踪精度优于OpenVINS。由于本工作中广泛使用了Kalibr工具包的相机-IMU标定工具，我们包含了若干标定数据序列。我们的人工测量显示，Kalibr工具在相机与IMU之间的相机坐标系下，方向误差达到±1度，位置误差最好为±1 mm（x轴和y轴）、最差为±10 mm（z轴）。该新颖数据集为研究人员提供了一组新场景，用于设计和测试其定位算法，并为当前VIO在越野环境中的性能提供了关键见解。ROOAD数据集：github.com/unmannedlab/ROOAD
引用
@article{arxiv.2109.08228,
title = {ROOAD: RELLIS Off-road Odometry Analysis Dataset},
author = {George Chustz and Srikanth Saripalli},
journal= {arXiv preprint arXiv:2109.08228},
year = {2022}
}
备注
7 pages, 6 figures, 5 tables, IV 2022 conference