总览

数据集地址为：Complex Urban Dataset

论文中列举了一些其他的数据集的情况，如下图所示。相比于其他数据集，这个数据集会包含更复杂的场景，包括：多车道的马路、高楼大厦、密集分布的居民区。同时也包括一些具有挑战性的场景，如大楼阻挡后 GPS 信号消失等。

数据集中会包括两个 3D Lidar 和两个 2D Lidar。两个 3D Lidar 安装在车顶上车上的左右两侧（大概和车方向成 45°），以此来最大化覆盖范围。两个 2D 雷达分别安装车头和车尾，且朝向分别为朝下和朝上，同样也是为了数据覆盖的范围。同时为了估计汽车的位姿，还提供了一系列导航传感器，如光纤陀螺仪、IMU、GPS 和编码器。同时，数据集提供了使用导航传感器和 Lidar 以 SLAM 生成的汽车位姿作为 baseline，大致以 100 Hz 生成。以这个轨迹可以拼接点云生成 3D 地图，数据集中也提供了生成后的地图（以 las 格式）。可以使用 WebGL 应用查看。此外，数据集还提供了双目相机的数据作为额外补充。

数据集组成

数据采集车上配置的传感器以及采集车如下图所示：

不同模块的数据收集流程如下图所示，三台 PC 分别用于收集 Lidar、Camera 和导航数据，同一台 PC 的时间可以保持同步，而三台 PC 之间的时间也周期性的进行同步（所以可以认为所有数据的时间戳都是经过同步的）：

这个数据提供了两个 3D Lidar（VLP-16），并设置以 10 Hz 的频率采集数据，此外还有两个 2D Lidar (SICK LMSS511) 以 100 Hz 收集数据。两个 2D Lidar 安装角度分别为向前和向后；向前的 Lidar 可以用来获取建筑物的结构和道路基础设施，向后的 Lidar 可以获取路面信息。此外，数据集中配备的双目相机可以以 10 Hz 获得前视图照片。

数据集中还包括两种精度的导航传感器，用来估计汽车姿态的传感器包括一个 IMU 和一个 3 自由度的光纤陀螺仪。其中，在 Baseline 中，光纤陀螺仪用来提供高精度旋转信息，而 IMU 可以获得多种信息，例如地磁信息、加速度以及角速度，但精度低于光纤陀螺仪。同样，数据集配有两个精度的 GPS 传感器，其中 VRS(Virtual Reference Station) GPS 通过和参考基站沟通且用来修正位置，全局位置精度大概为 10cm 以内。而消费级别的 GPS 没有类似的修正处理，因此误差可以达到几米。GPS 的测量值依赖卫星的数量以及周围的环境，在城市密集高楼下，VRS-GPS 也会较难估计位置。这个数据集还提供了一个轮式编码器来累计计算汽车行驶距离，以及一个高度传感器用来获取相对高度变化。

下图大致展示了，传感器之间的相对位置关系，传感器系统的中心在地面高度，位置在车子后轮轴的中心：

标定

标定包括：导航传感器标定、Lidar 标定、双目相机内外参标定

TODO

数据集说明

采集环境

数据集包括多样的城市环境，例如 10 车道的宽敞道路以及高楼之间的狭窄道路。下表列举了提供了不同序列及其平均 GPS 卫星数量、使用的传感器类型、以及汽车轨迹长度。

大致上，基于 GNSS 的建图系统需要 10 个以上的卫星才能实现比较精确的定位，但是在城市场景下基本很难达到，下图展示了序列 00 的轨迹，颜色表示该点平均接收到的卫星数量，可以看到只有少部分地区才能达到这个标准。

数据格式

数据集格式如下图所示，大致分为 4 个部分 calibration 包括所有传感器之间的外参标定结果、sensor_data 包含除相机图片以外的所有传感器信息，以及他们的时间戳，image 中包含双目相机的照片，vehicle_pose.csv 则是参考真值：

数据集中，

• 3D Lidar：VLP-16 数据以 10 Hz 采集，并将每一次旋转的结束时间作为该帧的参考时间戳记录。传感器数据保存在 time_stamp.bin（文件名为该帧扫描对应的时间戳）。 二进制文件中，每个点包含三个笛卡尔坐标值以及一个反射值，即 (x, y, y, R)，均为浮点数，笛卡尔坐标为 lidar 坐标系的局部坐标值。时间戳记录在 VLP_left/right_stamp.csv 中。
• 2D Lidar: SICK LMS-511 以 100 Hz，数据存储在 SICK_Back/middle 文件夹中。每一帧扫描中的每个点保存了其原始消息，即距离和反射值，每一个光束对应的角度可以通过 LMS-511 的 FoV 和激光密度算出来。LMS-511 的 FoV 为 190°，从 -5° 到 185°，数据频率为 100 Hz，每两次测量之间角度差为 0.666°。
• 双目照片：双目照片采集频率为 10 Hz，以无损 PNG 格式保存，且没有经过校正，需要经过一定过程转化成校正后的 RGB 图像。
• 高度计数据：高度计信息保存在 altitude.csv，格式为 timestamp, altitude
• 编码器数据：编码器数据的保存格式为累计的脉冲数，保存在 encoder.csv，格式为：timestamp, left count, right count
• FOG 数据：两次测量之间的相对旋转记录在 fog.csv，格式为: timestamp, delta roll, delta pitch, delta yaw
• GPS 数据：消费级 GPS 的全局位置测量数据记录在 gps.csv，格式为：timestamp, longtitude, altitude, 9-d vector，最后 9d 向量为位置的方差
• VRS-GPS：高精度 GPS 测量值保存在 vrs_gps.csv，保存格式为：
  • timestamp
  • latitude, longtitude
  • x, y coordinate：采用墨卡托投影计算的笛卡尔坐标值
  • altitude
  • fix state：一个数字用来表示当前 VRS GPS 的状态：（1 – normal, 2 – DGPS, 4 – fix, 5 – float）
  • horizontal precision
  • latitude, longtitude std
  • heading validate flag
  • magnetic global heading
  • global heading
  • speed in knots
  • speed in km
  • GNVTG mode
  • orthometric altitude
• IMU 数据：相邻测量之间的旋转位姿、陀螺仪数据和线性加速度以及磁力计数据保存在 imu.csv，格式为：
  • timestamp
  • quaternion x/y/z/w
  • eular x/y/z
  • Gyro x/y/z
  • Acceleration x/y/z
  • MegnetField x/y/z

Baseline

由于在复杂环境下即使使用 VRS-GPS 也很难获得精确位置，这个数据集采用了 iSAM 的方法融合多个约束来进行位姿估计，其使用了以下约束：

• FOG 提供的相对旋转
• 编码器提供的相对运动距离
• VRS-GPS 在不确定度低时会用做部分约素
• 由于在高楼环境导致 GPS 信号不好时会降低精度，因此在序列中引入回环，在回环中通过 ICP 计算相对位姿获得回环约素

整体优化图如下所示：

产生的数据在 vehicle_pose.csv，频率为 100 Hz。但是作者不建议用其来作为 ground truth，因为城市的复杂度会很大程度影响的精度。

WebGL 3D demo 和 LAS 数据

数据集中提供了由 baseline 轨迹拼接成的点云地图，以 las 格式存储，可以用来作为先验信息进行定位或者地点识别。该数据可以用 WebGL 应用可视化，下面是一个例子：

开发工具

数据集配套有两个开发工具：

• File Player：应用可以读取保存的
• Data Viewer：应用可以用来可视化数据，可以展示点云，图片以及导航信息。

下面是其中一个序列用 File Player 播放的 topic:

topics:      /altimeter_data          3080 msgs    : irp_sen_msgs/altimeter     
             /clock                  29528 msgs    : rosgraph_msgs/Clock        
             /dsp1760_data          307986 msgs    : irp_sen_msgs/fog_3axis     
             /encoder_count          30798 msgs    : irp_sen_msgs/encoder       
             /gps/fix                 1540 msgs    : sensor_msgs/NavSatFix      
             /imu/data_raw           30800 msgs    : sensor_msgs/Imu            
             /imu/mag                30800 msgs    : sensor_msgs/MagneticField  
             /lms511_back/scan       30750 msgs    : irp_sen_msgs/LaserScanArray
             /lms511_middle/scan     30750 msgs    : irp_sen_msgs/LaserScanArray
             /ns1/velodyne_points     3054 msgs    : sensor_msgs/PointCloud2    
             /ns2/velodyne_points     3053 msgs    : sensor_msgs/PointCloud2    
             /odom                   30798 msgs    : nav_msgs/Odometry          
             /rosout                    23 msgs    : rosgraph_msgs/Log           (2 connections)
             /rosout_agg                 8 msgs    : rosgraph_msgs/Log          
             /vrs_gps_data             308 msgs    : irp_sen_msgs/vrs           
             /xsens_imu_data         30800 msgs    : irp_sen_msgs/imu

大致上都比较清晰，每个传感器消息的帧id对其对应传感器 id，如 /ns1/velodyne_points 的 frame id 为 left velodyne。其中，里程计信息由编码计算得到，发布的 frame id 为 map， child_frame_id 为 baselink。另外 baseline 的轨迹没有处理，所以如果需要的话需要自己写 node 进行发布。

潜在应用和结论