面向城市环境鲁棒机器人三维感知：UT校园物体数据集

我们介绍了UT校园物体数据集（CODa），一个在德克萨斯大学奥斯汀分校校园采集的移动机器人自我中心感知数据集。我们的数据集包含8.5小时的多模态传感器数据：来自128通道3D LiDAR和两台1.25MP RGB相机在10 fps下同步的3D点云与立体RGB视频；来自额外0.5MP传感器的RGB-D视频（7 fps）以及40 Hz的9自由度IMU传感器。我们提供了58分钟的地面真值标注，包含130万个带实例ID的3D边界框，涵盖53个语义类别，5000帧城市地形的3D语义标注，以及伪地面真值定位。我们在广泛的室内外区域、天气条件和一天中的不同时段重复遍历相同地理位置。使用CODa，我们通过实验证明：1）即使在采用最先进的域适应方法时，使用CODa训练的城市环境3D物体检测性能仍显著优于现有数据集；2）传感器特定微调提升了3D物体检测精度；3）与在自动驾驶（AV）数据集上预训练相比，在CODa上预训练提升了城市环境下跨数据集的3D物体检测性能。利用我们的数据集和标注，我们发布了基于既定指标的3D物体检测和3D语义分割基准。未来，CODa基准将包含无监督物体发现与重识别等额外任务。我们在Texas Data Repository公开发布CODa，并在我们的网站https://amrl.cs.utexas.edu/coda提供预训练模型、数据集开发包和交互式数据集查看器。我们期望CODa能成为城市环境自主导航中自我中心3D感知与规划研究的宝贵数据集。