文章目录

• 系统搭建
• 轨迹的选取
• 其他

  本文提出的数据集是为了场景识别尤其是超声波雷达的场景识别设置的，提供了激光雷达，超声波雷达，IMU和GPS。也可以用于相应传感器组合的SLAM问题。数据集地址：https://sites.google.com/view/mulran-pr/

系统搭建

  本文采用和Complex urban dataset with multi-level sensors from highly diverse urban environments一文中类似的传感器标定和轨迹生成真值策略。激光和超声波雷达的相对位置如下，激光雷达的视野被挡住了一部分，论文中提到的数据是70度。

轨迹的选取

  论文提出的数据集比较新颖的地方是轨迹的设计和选取，本文的轨迹由于面向场景识别，设计了反向和车道变更的回环等场景，同时也设计了不包含回环的场景用用于基于环境先验的场景识别，以及不同时间采集的变化的场景，来测试对环境变化的鲁棒性。下面一次介绍四组轨迹的设计:

• Dajeon Convention Center (DCC)
  市区场景，在高层建筑之间的狭窄通道，包含回环。
• KAIST
  包含少量动态对象的校园环境。DCC和KAIST序列包含多个反向重访和带有车道级平移的回环。
• Riverside
  包含河流和桥梁，结构特征重复，视野开阔。
• Sejong City
  发展中的城市，多个路径之间存在回环，单个路径没有回环。场景在多个路径之间发生了变化。

其他

  本文提出了一种类似于Scan Contest的基于超声波雷达的全局定位方法，取得了比基于激光雷达的全局定位算法更好的效果。超声波雷达的特点是感知范围广，不易受遮挡影响，但是有多径效应。文中超声波雷达相关的一些内容没有介绍。

标签：Urban,场景,md,Dataset,轨迹,回环,雷达,超声波,激光雷达
来源： https://blog.csdn.net/qq_40268190/article/details/111030936