点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

作者丨paopaoslam

来源丨泡泡机器人SLAM

标题：The Hilti SLAM Challenge Dataset

作者：Michael Helmberger, Kristian Morin, Nitish Kumar, Danwei Wang, Yufeng Yue,Giovanni Cioffi, Davide Scaramuzza

来源：2021 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)

编译：李雨昊

审核：王靖淇，柴毅

摘要

精确鲁棒的位姿估计是无人驾驶系统在导航，建图和其他任务中非常基础的能力。但是环境的多样性给SLAM算法带来了很大的挑战，例如：场景的稀疏性、光照条件的变化以及动态目标的干扰等。目前在SLAM领域的学术研究主要关注于利用多模态的数据构建更加准确鲁棒的系统。因此本文提出一个新的数据集Hilti，采集中所使用的传感器（e.g.视觉、激光、IMU等）已经经过严密的标定。所有的原始数据都进行了对其处理。每个数据都包含精确的真值，可以用来做不同SLAM算法的测试。数据集涵盖了12种不同的场景，并提供了相应的内外参。数据集地址：https://hilti-challenge.com/dataset.html 。

Hilti中使用的传感器和对应的技术指标和数据质量情况，以及几种算法在本数据集上的测试情况如下：

数据采集设备包含三大类7小种，并统一集成在一个Phasma stick上，分别是：

1.Sevensense的AlphaSense

2.激光雷达方面分别为Ouster OS0-64和Livox MID70

3.IMU设备分别为：Analog Devices ADIS16445（内嵌于AlphaSense相机系统模块中，并和相机系统做了严密的时间同步，帧率为800Hz）、Bosch BMI085（同样内嵌于AlphaSense系统中，但是精度稍微差些，同样做了严密时间同步，帧率为200Hz），以及InvenSense ICM-20948（内嵌于Ouster雷达中，噪声和偏置稳定性比ADIS16445差，比Bosch BMI085好，于与Ouster雷达做了严密时间同步，帧率为100Hz）

同时地面真值采用的是Hilti PLT300的全站仪采集的，精度可达3mm；6自由度的位姿真值采用的是Optical Tacking捕获的，精度优于1mm，帧率可以达到200Hz。

各个硬件链接如下：

https://www.sevensense.ai/product/alphasense-position https://ouster.com/products/os0-lidar-sensor/

https://www.livoxtech.com/mid-70

https://www.analog.com/en/products/adis16445.html

https://www.bosch-sensortec.com/products/motion-sensors/imus/bmi085/ https://invensense.tdk.com/products/motion-tracking/9-axis/icm-20948

https://www.hilti.com/c/CLS MEA TOOL INSERT 7127

不同设备之间都做了时间同步。

相机内参由厂商标定，外参由标准棋盘格标定；激光雷达的标定采用了合适的标定模型，并在数据采集时已经做了改正。整个Phasma stick系统载体坐标系的参考点为AlphaSense Bosch IMU系的中心，所有的数据都变换到该坐标系下。Phasma stick的空间偏移通过CAD模型量测出来，并做了标定，旋转亦如此。运动捕捉系统标志和AlphaSense Bosch IMU之间的外参标定是通过手眼标定工具箱完成的。

 存在的问题：

虽然经过严密的标定和安装，但是数据集中还是存在额外的问题：运动捕捉系统和数据记录系统之间存在时差；由于控制器过载导致丢帧现象。

图1. 所有设备集成在一个Phasma stick上。

图2.数据采集场景，分别是地下室、大学校园、建筑工地、办公室、实验室、办公室Mitte、公园和RPG追踪区域，主要是室内场景和室内外混合场景。该数据集中为SLAM算法提供了如光照变化，特征缺失\高反射\透明表面等挑战。

图3.不同设备之间做了严密的时间同步：AlphaSense, Bosch IMU and ADIS IMU之间通过FPGA做了硬件同步，时间差小于1ms；Ouster lidar and Invensense IMU之间通过Ouster内部的时钟做了硬件同步，时间差小于1ms；不同模块之间的同步是通过PTP网络时间协议完成的，时间差小于1ms。

图4.不同传感器在实验室场景下采集的数据。

表I：不同方法在本数据集中的表现

表II：各个传感器在ROS中的Topic

Abstract

Accurate and robust pose estimation is a fundamental capability for autonomous systems to navigate, map and perform tasks. Particularly, construction environments pose challenging problem to Simultaneous Localization and Mapping (SLAM) algorithms due to sparsity, varying illumination conditions, and dynamic objects. Current academic research in SLAM is focused on developing more accurate and robust algorithms for example by fusing different sensor modalities. To help this research, we propose a new dataset, the Hilti SLAM Challenge Dataset. The sensor platform used to collect this dataset contains a number of visual, lidar and inertial sensors which have all been rigorously calibrated. All data is temporally aligned to support precise multi-sensor fusion. Each dataset includes accurate ground truth to allow direct testing of SLAM results. Raw data as well as intrinsic and extrinsic sensor calibration data from twelve datasets in various environments is provided. Each environment represents common scenarios found in building construction sites in various stages of completion.

如果你对本文感兴趣，请点击点击阅读原文下载完整文章

百度网盘提取码：q9gl

本文仅做学术分享，如有侵权，请联系删文。

干货下载与学习

后台回复：巴塞罗那自治大学课件，即可下载国外大学沉淀数年3D Vison精品课件

后台回复：计算机视觉书籍，即可下载3D视觉领域经典书籍pdf

后台回复：3D视觉课程，即可学习3D视觉领域精品课程

3D视觉精品课程推荐：

1.面向自动驾驶领域的多传感器数据融合技术

2.面向自动驾驶领域的3D点云目标检测全栈学习路线！(单模态+多模态/数据+代码)
3.彻底搞透视觉三维重建：原理剖析、代码讲解、及优化改进
4.国内首个面向工业级实战的点云处理课程
5.激光-视觉-IMU-GPS融合SLAM算法梳理和代码讲解
6.彻底搞懂视觉-惯性SLAM：基于VINS-Fusion正式开课啦
7.彻底搞懂基于LOAM框架的3D激光SLAM: 源码剖析到算法优化
8.彻底剖析室内、室外激光SLAM关键算法原理、代码和实战(cartographer+LOAM +LIO-SAM)

9.从零搭建一套结构光3D重建系统[理论+源码+实践]

10.单目深度估计方法：算法梳理与代码实现

11.自动驾驶中的深度学习模型部署实战

12.相机模型与标定(单目+双目+鱼眼）

13.重磅！四旋翼飞行器：算法与实战

14.ROS2从入门到精通：理论与实战

15.国内首个3D缺陷检测教程：理论、源码与实战

重磅！3DCVer-学术论文写作投稿 交流群已成立

扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。

同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。

一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。

▲长按加微信群或投稿

▲长按关注公众号

3D视觉从入门到精通知识星球：针对3D视觉领域的视频课程（三维重建系列、三维点云系列、结构光系列、手眼标定、相机标定、激光/视觉SLAM、自动驾驶等）、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近5000星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

圈里有高质量教程资料、答疑解惑、助你高效解决问题

觉得有用，麻烦给个赞和在看~