【NTU4DRadLM-SLAM数据集--by NTU】

NTU4DRadLM

数据下载链接https://github.com/Junzhang 2016/NTU4DRadLM

---

---

引言

提出NTU数据集的原因：
在恶劣环境（暴雨，雪，烟雾，雾，灰尘等）下的鲁棒SLAM，利用4D成像雷达结合热成像仪和IMU。
数据集：1.4D雷达是一种相对较新的传感器，价格不便宜2.热像仪价格高于视觉摄像机，从热图像中提取足够的特征并不容易

---

一、文章主要贡献

1.同时包含6个传感器和定标参数的数据集
2.提供微调的真值里程计和回环
3.同时考虑低速机器人和高速无人车平台
4.包含结构化，非结构化，半结构化环境
5.考虑中尺度和大尺度户外环境
6.综合评价三种4D雷达SLAM：4D Radar SLAM, 4D Radar-IMU SLAM, 4D Radar-thermal camera SLAM

二、NTU4DRadLM数据集

1.传感器和平台

1. 6个不同的传感器：1个3D激光雷达，1个视觉相机，1个4D Radar，一个热成像仪，1个IMU，一个RTK GPS
2. 两个平台：手推车1m/s,汽车 25-30km/h
   所有传感器连接一个微型计算机来收集数据，该计算机是英特尔NUC NUC10i7FNH，配备32 GB内存，1TB固态硬盘，Ubuntu 18.04和ROS Melotic
   

2.标定

1. 视觉相机和热像仪内参标定
2. IMU内参标定
3. 激光雷达热像仪外参标定
4. 4D雷达外参标定
5. 激光雷达IMU时间同步和外参标定
   学习参考：多传感器时空标定–https://mp.weixin.qq.com/s/AxvAd4Bnf-RvlO-ofCvVdQ
6. GPS-Init外参标定
7. 标定评估：利用内外参数，将激光雷达和雷达点云分别投影到RGB和热像仪上

3.数据采集

数据集涵盖结构化、非结构化、半结构化环境；小型和大型环境；低速（1m/s）和较快速(25-30km/h)平台

1. 手推车
   NTU停车场cp，yunan花园garden，南洋环线nyl
2. cars
   校园主干道3条路线：loop1，loop2，loop3, 轨道长度分别为6.95公里、4.79公里和4.23公里。
   注：为了保证数据采集的可靠性，作者将rosbag设置为一旦达到3 GB就自动拆分，还设置了3 GB的缓冲区大小，以防数据丢失。命令是rosbag record -b 3072–split --size 3072
   

4. Ground Truth Odometry：

地面真实轨迹是由紧耦合的LiDAR-视觉-惯性SLAM： R2LIVE获得的。然而，我们发现在大尺度环境下存在轨迹漂移。为了解决这个问题，我们构造了一个姿势图优化来纠正漂移。在轨迹上形成几对重叠点的环闭合。使用G2O[28]计算最优结果

5. 数据集文件说明：

在NTU4DRadLM文件夹下，有7个文件夹：6个文件夹用于存储六条路线的rosbag和地面真实里程计，一个文件夹calib用于存储校准参数。
注：地面真实里程表被保存为“gt_odom.txt”和“gt_odom.Bag”，前者由后者生成。 “calib”文件夹，它同时保存内部和外部参数。“intrinsic_xx.txt”表示内部参数，xx可以是：RGB摄像头、热像仪、IMU。“extrinsic_xx_to_xx.txt”，表示从一个传感器到另一个传感器的外部。遵循Kitti格式

三、NTU4DRADLM数据集的评估

三种方法对比：Pure 4D Radar，4D Radar-IMU，4D Radar-Thermal.
开源工具：rpg_trajectory_evaluation

1、定量分析：

对于“GICP”、“GICP-LC”和“FAST-LIO”，所有6条路径都进行了实验。

（纯翻）如图所示。对于“4DRT-SLAM”，由于性能不是很好，实验仅在两个小数据集“cp”和“garard”上进行，如图8所示。可以观察到：1)GICP的性能优于FAST-LIO，但在数据集“loop1”上除外。通过分析，可能的解释是：GICP是一种直接基于点云配准的方法，因此它不提取用于里程计算的几何特征。然而，FAST-LIO最初是为LiDAR设计的，它依赖于平面和边缘特征提取来进行里程计计算。考虑到4D雷达点云具有更强的噪声和稀疏性，提取这些特征更加不准确。因此，FAST-LIO在4D上表现不佳也就不足为奇了。

2)在环路闭合的情况下，与GICP相比，GICP-LC的性能有显著提高。这很简单，因为有效的循环闭包是优化全局里程计的良好约束。
3)FAST-LIO在“花园”数据集上中途失败。可能的原因是FAST-LIO依赖于里程计算中的平面特征提取。然而，花园是一个非常杂乱无章的环境，平面特征较少。因此，它很容易无法提取有效的平面特征，从而可能失去跟踪并在中途失败。
4)对于数据集“loop1”，FAST-LIO表现最好，GICP-LC和GICP的估计轨迹是相同的。这是因为没有触发循环闭合，因此不执行图形优化。同时，“loop1”数据集是一个半结构化的环境，因此可以提取更多有效的平面特征，从而使FAST-LIO能够很好地工作。
5)4DRT-SLAM显示了其有效性，但表现最差。这主要是因为4DRT-SLAM仍处于早期开发阶段。还有很大的改进空间，比如对4D雷达的原始点云进行预处理，以减少噪声点，避免鬼点。

2、定性分析：

将图10中由“gicp”、“gicp-lc”和“fast-lio”构建的点云图可视化