论文学习——The Hilti SLAM Challenge Dataset

论文下载地址链接

标题：Hilti SLAM挑战数据集

作者：Michael Helmberger({}^{1}), Kristian Morin({}^{1}), Beda Berner({}^{1}), Nitish Kumar({}^{1}), Giovanni Cioffi({}^{2}), Davide Scaramuzza({}^{2})

摘要：
近年来，同步定位与地图构建（SLAM）研究取得了显著进展。SLAM系统正从学术研究过渡到实际应用。然而，这一转变在精度和鲁棒性方面提出了新的挑战。为了开发能够应对这些挑战的新SLAM系统，需要包含先进硬件和真实场景的新数据集。我们提出了Hilti SLAM挑战数据集。该数据集包含办公室、实验室和建筑环境的室内序列，以及建筑工地和停车场的室外序列。这些序列的特点是缺乏特征区域和光照条件变化，这些是现实场景中的典型挑战，对在实验室环境中开发的SLAM算法提出了巨大挑战。每个序列都提供了毫米级的精确稀疏地面真值。用于记录数据的传感器平台包括多个视觉、激光雷达和惯性传感器，这些传感器在空间和时间上进行了校准。该数据集的目的是促进传感器融合研究，以开发能够在高精度和鲁棒性要求较高的任务中部署的SLAM算法，例如在建筑环境中。许多学术和工业团体在Hilti SLAM挑战中测试了他们的SLAM系统。本文总结了挑战的结果，表明该数据集是开发可部署于现实世界的新SLAM算法的重要资源。

关键词：SLAM、地图构建、定位、传感器融合。

补充材料：
数据集以及Hilti SLAM挑战的相关信息可在以下网址获取：https://www.hilti-challenge.com。挑战的结果也在以下视频中进行了展示：https://www.youtube.com/watch?v=3qqTGmSkrY&t=685s

---

一、引言

近年来，SLAM研究取得了显著进展[1]。从演示性应用到现实世界应用的转变正在发生。SLAM在建筑工地的自主机器人应用中具有广阔前景。建筑机器人可以消除工人的危险，提高任务效率，并收集高质量的数据[2]。然而，这些环境给SLAM系统带来了许多挑战。缺乏特征的场景、变化的光照条件和突然的运动是主要挑战之一。

将SLAM算法部署到现实世界应用中揭示了当前系统的局限性。这些局限性正在通过学术研究，通常与工业合作伙伴的合作来解决[3]。我们相信，学术界与工业界的合作有潜力加速开发能够满足高精度和鲁棒性要求的新SLAM系统。

在这一阶段，包含相关场景和传感器的数据集的可用性起着重要作用。这些场景应描绘SLAM系统部署的实际应用场景。正如机器人社区在多项工作中所展示的[4, 5, 6]，通过融合多个互补传感器可以实现最高的精度和鲁棒性。因此，SLAM数据集应包含多种传感器模态。

过去几年中，许多SLAM数据集被提出[7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18]，每个数据集在多个传感器的可用性和场景及运动类型方面都有特定的贡献。大多数数据集[7, 9, 12, 13, 14, 15, 16, 17]专注于视觉和惯性数据，而只有少数[8, 10, 11]还提供了激光雷达数据。根据环境和运动的类型，每个数据集对SLAM提出了不同的挑战。在无人机（UAV）上记录的视觉和惯性数据[7, 17]由于快速运动给视觉惯性里程计（VIO）和SLAM系统带来了困难。自动驾驶场景中记录的数据集[8, 9, 19]的主要挑战是变化的光照条件和移动物体。手持传感器平台记录的数据集[10, 11, 12, 14, 15]的主要挑战是突然的运动、低纹理以及动态光照条件。

我们提出了Hilti SLAM挑战数据集。该数据集的目的是促进传感器融合研究，以开发能够在高精度和鲁棒性要求较高的任务中部署的SLAM算法，例如在建筑环境中。我们的数据集包含建筑工地、办公室和实验室的室内序列，以