VIODE：一个用于应对动态环境中视觉-惯性里程计挑战的仿真数据集
机器人学
2021-02-12 v1
摘要
城市区域等动态环境对流行的视觉-惯性里程计（VIO）算法而言仍具挑战性。现有数据集通常未能捕捉这些环境的动态本质，因此难以定量评估现有 VIO 方法的鲁棒性。为解决此问题，我们提出三项贡献：首先，我们提供 VIODE 基准，一个从在具挑战性的动态环境中导航的仿真无人机记录的新数据集。VIODE 数据集的独特之处是向场景中系统性地引入运动物体。它包含三种环境，每种均有四个动态级别，逐步添加运动物体。数据集含有同步的立体图像与 IMU 数据，以及真值轨迹与实例分割掩码。其次，我们在 VIODE 数据集上比较最先进的 VIO 算法，并显示它们在高度动态场景中表现出显著的性能退化。第三，我们提出一种依赖语义信息的视觉定位算法的简单扩展。我们的结果表明场景语义是减轻动态物体对 VIO 算法不利影响的有效途径。最后，我们在 https://github.com/kminoda/VIODE 公开 VIODE 数据集。
引用
@article{arxiv.2102.05965,
title = {VIODE: A Simulated Dataset to Address the Challenges of Visual-Inertial Odometry in Dynamic Environments},
author = {Koji Minoda and Fabian Schilling and Valentin Wüest and Dario Floreano and Takehisa Yairi},
journal= {arXiv preprint arXiv:2102.05965},
year = {2021}
}
备注
8 pages, 8 figures, accepted for publication in the IEEE Robotics and Automation Letters (RA-L) January 31, 2021. IEEE Xplore link: https://ieeexplore.ieee.org/document/9351597/