0. 引言

多機器人協(xié)作在搜索救援、工業(yè)自動化、智慧農(nóng)業(yè)等領(lǐng)域發(fā)展迅猛，而協(xié)同SLAM(C-SLAM)是實現(xiàn)多機器人協(xié)作的核心技術(shù)。現(xiàn)有的EuRoc、KITTI等數(shù)據(jù)集雖然在單機SLAM領(lǐng)域發(fā)揮了重要作用，但卻很難去評價多機協(xié)同的軌跡和建圖精度。近日，中山大學團隊開發(fā)了一種用于協(xié)作SLAM的大規(guī)模多模態(tài)數(shù)據(jù)集，由3個無人車沿四種軌跡采集，包含7個室外場景和5個室內(nèi)場景。這是第一個使用各種室內(nèi)和室外環(huán)境的激光雷達、視覺和慣性數(shù)據(jù)的C-SLAM數(shù)據(jù)集，研究機器人協(xié)作的小伙伴一定不要錯過！

2. 摘要

隨著使用一組機器人協(xié)作完成任務(wù)的要求越來越高，研究界對協(xié)作同步定位和地圖繪制越來越感興趣。不幸的是，現(xiàn)有的數(shù)據(jù)集在它們捕獲的協(xié)作軌跡的規(guī)模和變化方面是有限的，盡管不同主體之間的交互軌跡的一般化對于協(xié)作任務(wù)的整體可行性是至關(guān)重要的。為了幫助將研究社區(qū)的貢獻與現(xiàn)實世界的多主體協(xié)調(diào)SLAM問題結(jié)合起來，我們引入了S3E，這是一個由無人駕駛地面車輛車隊沿著四個設(shè)計的協(xié)作軌跡范例捕獲的新的大規(guī)模多模態(tài)數(shù)據(jù)集。S3E由7個室外和5個室內(nèi)場景組成，每個場景都超過200秒，由同步和校準良好的高質(zhì)量雙目相機、激光雷達和高頻IMU數(shù)據(jù)組成。至關(guān)重要的是，我們的努力在數(shù)據(jù)集大小、場景可變性和復雜性方面超過了以前的嘗試。它的平均記錄時間是開創(chuàng)性的EuRoC數(shù)據(jù)集的4倍。我們還提供仔細的數(shù)據(jù)集分析以及協(xié)作SLAM和單個對應方的基線。

3. 數(shù)據(jù)集介紹

3.1 數(shù)據(jù)采集車

如圖1所示是用于采集S3E數(shù)據(jù)集的無人車，每個無人車上都有2個高分辨率彩色相機、1個16線激光雷達、1個9軸IMU以及1個雙天線RTK。表1所示是無人車所使用傳感器的具體參數(shù)。 表1 傳感器設(shè)備參數(shù)

無人車所使用的平臺是Agilex Scout Mini，它是一款四輪驅(qū)動、最高車速10km/h的全地形高速遙控移動平臺。在具體的數(shù)據(jù)采集過程中，作者使用Velodyne VLP-16 Puck來記錄360°點云數(shù)據(jù)。使用兩臺HikRobot MV-CS050-10GC GigE相機采集雙目視覺數(shù)據(jù)，其中雙目相機的基線為360mm，圖像通過全局快門掃描捕獲，并從原始圖像降采樣到1224x1024。此外，還使用9軸Xsens MTi-30-2A8G4 IMU記錄三個加速度計和三個陀螺儀。為了進行驗證和測試，作者還使用Femtomes Nano-D RTK配備雙天線在GNSS可用區(qū)域捕獲軌跡真值，真值采集頻率為1 Hz。無人車平臺上所有傳感器的安裝位置如圖2所示，采集到的S3E數(shù)據(jù)集樣例如圖3所示。

圖2 傳感器布局和坐標系

圖3 S3E數(shù)據(jù)集的數(shù)據(jù)示例，每行都顯示了不同平臺同時捕捉到的雙目圖像和點云。

3.2 傳感器同步

在多傳感器融合中，時間同步和傳感器校準至關(guān)重要。因此，作者在此方面也做了很多的工作。 (1) 時間同步：如圖4所示，S3E的同步系統(tǒng)使用Altera EP4CE10板作為觸發(fā)器，Intel NUC11TNKv7作為主機。對于不同機器人間的同步，作者把這個問題分成兩種情況來討論。首先，應用GNSS時間作為室外場景中的全局時間源來校準機器人的計時器。之后，在無GNSS系統(tǒng)中(室內(nèi)場景)，所有機器人運行時間校準程序，通過無線網(wǎng)絡(luò)從PTP服務(wù)器獲取外部全局時間數(shù)據(jù)。 對于內(nèi)部同步，觸發(fā)單元周期性地產(chǎn)生脈沖來觸發(fā)激光雷達、雙目攝像機和IMU。值得注意的是，FPGA產(chǎn)生1 Hz脈沖來觸發(fā)激光雷達，然后激光雷達返回10 Hz數(shù)據(jù)，并在接收到觸發(fā)信號后刷新內(nèi)部計數(shù)器寄存器。攝像機和IMU在收到觸發(fā)脈沖后立即返回數(shù)據(jù)。 (2) 傳感器校準：在圖2所示的傳感器布局中，所有的坐標系都遵循右手定則。作者使用標準棋盤校準來運行相機的內(nèi)部校準。對于激光雷達和IMU，由廠家進行內(nèi)部傳感器校準。之后進行雙目相機聯(lián)合標定和激光雷達-相機聯(lián)合標定。此外，在利用Allan標準差對IMU噪聲建模后，作者還進行了相機和IMU的聯(lián)合標定。

圖4 基于FPGA的同步系統(tǒng)架構(gòu)

3.3 軌跡范例

如圖5所示，在S3E數(shù)據(jù)集中，作者設(shè)計了遵循四種不同的機器人內(nèi)/機器人間規(guī)范的閉環(huán)軌跡。 第一種軌跡是C-SLAM應用中的典型情況，即機器人編隊同時繞目標運行，主要用于對目標進行稠密三維重建。第二個軌跡模擬區(qū)域搜索和救援任務(wù)，每個機器人在不同的區(qū)域搜索，并在交互過程中與其他機器人共享信息。這種情況要求C-SLAM算法在小的公共區(qū)域內(nèi)具有可靠的機器人內(nèi)部閉環(huán)能力和高效的機器人之間閉環(huán)能力。第三條軌跡集中于僅具有機器人間環(huán)路閉合的場景，所有的機器人都從不同的地方開始，并在路徑中的一些會合點前進，最后在同一個地方相遇。第四條軌跡中，機器人從不同的地方開始，終點是同一個地點。這種情況在C-SLAM中非常困難，因為所有的機器人只在終點相遇，幾乎沒有為回環(huán)提供任何信息。 圖6顯示了室外環(huán)境中S3E數(shù)據(jù)集的軌跡，它包含校園內(nèi)五個有代表性的功能區(qū)域，即廣場、圖書館、學院、操場和宿舍。

圖5 四種軌跡范例

圖6 S3E數(shù)據(jù)集的室外軌跡，Alpha、Bob和Carol在室外環(huán)境中的軌跡用橙色、紫色和青色標注。 S3E數(shù)據(jù)集的室外和室內(nèi)分布情況如表2所示，與其他主流SLAM數(shù)據(jù)集的對比如表3所示。S3E數(shù)據(jù)集的平均時間為459.1s，這對解決C-SLAM的長期評估問題具有較大幫助。值得注意的是，對于每個設(shè)計的軌跡，該數(shù)據(jù)集至少包含一個序列。此外，Dormitory為第三類和第四類的混合軌跡，Laboratory_1為第二類和第四類的混合軌跡。 表2 S3E數(shù)據(jù)集分析

表3 與一些流行的SLAM數(shù)據(jù)集的對比

4. 實驗

4.1 基線

如表4所示，作者在S3E數(shù)據(jù)集上提供了四個單機器人SLAM和三個C-SLAM基線，評價指標為ATE，均是目前的主流SLAM算法。其中前者包括ORB-SLAM3、VINS-Fusion、LIO-SAM以及LVI-SAM。后者包括COVINS、DiSCo-SLAM以及DCL-SLAM。 作者采用了三種方法來生成軌跡真值：在GNSS可用區(qū)域，由雙天線RTK設(shè)備記錄的厘米級定位真值。對于無GNSS的場景，用RTK設(shè)備記錄建筑物外軌道的起點和終點。并利用運動捕捉設(shè)備來記錄室內(nèi)情況下的起點和終點。 表4 室外環(huán)境下單SLAM和C-SLAM的基準ATE。α、β和γ分別代表ALPHA、BOB和CAROL

4.2 結(jié)果對比

對于單機器人SLAM，基于激光雷達的方法通常優(yōu)于基于視覺的方法。在S3E中，大多數(shù)基于視覺的方法在轉(zhuǎn)彎時無法跟蹤幀，因此，基于LiDAR的C-SLAM超過了基于視覺的C-SLAM。同時，C-SLAM在成功檢測到回環(huán)時，可以狀態(tài)估計的魯棒性和準確性。例如DCL-SLAM相比其前端LIO-SAM，平均ATE降低了0.42。在Playground_1序列中，部署單LIO-SAM時，同心圓Alpha和Bob均無法跟蹤幀，單通過DCL-SLAM可以成功跟蹤，并且精度實現(xiàn)了大幅提升。在Square_1中，COVINS以7.09的ATE超過了單SLAM，Carol在ORB-SLAM3失敗時通過協(xié)作實現(xiàn)了1.75 ATE。 如圖7所示，紅色圓圈表示C-SLAM成功檢測到回環(huán)。在左側(cè)，DiSCo-SLAM和DCL-SLAM在簡單的情況下取得成功，因為不同觀測之間的大量重疊保證了后端優(yōu)化的冗余特性。與DCL-SLAM相比，COVINS在兩個機器人同向移動的端點處成功檢測到不同機器人之間的回環(huán)，但在兩個機器人相對移動的中點處未能匹配到Bob和Carol之間的特征。這也是DCL-SLAM優(yōu)于COVINS的原因之一。結(jié)果表明，先進的C-SLAM系統(tǒng)可以在具有相當大重疊度的軌跡間表現(xiàn)良好。

圖7 C-SLAM的定性結(jié)果

5. 結(jié)論

近期，中山大學開發(fā)了一種由三個無人車記錄的大規(guī)模C-SLAM數(shù)據(jù)集，它包含激光雷達-視覺-IMU數(shù)據(jù)。S3E數(shù)據(jù)集包含7個室外場景和5個室內(nèi)場景，并進行了時間同步和傳感器校準。此外，S3E數(shù)據(jù)集中包含了多個回環(huán)檢測，并評估了當前最先進的C-SLAM及其單機器人前端比較器的性能。多機協(xié)同是機器人領(lǐng)域的一個重要發(fā)展趨勢，而目前多機數(shù)據(jù)集還較少，S3E很大程度上填補了這方面的空白。

審核編輯 ：李倩