以下內(nèi)容來自小六的機器人SLAM學(xué)習(xí)圈知識星球每日更新內(nèi)容

點擊領(lǐng)取學(xué)習(xí)資料 → 機器人SLAM學(xué)習(xí)資料大禮包

#論文##開源數(shù)據(jù)集# VECtor: A Versatile Event-Centric Benchmark for Multi-Sensor SLAM

論文地址：https://arxiv.org/abs/2207.01404

作者單位：上?？萍即髮W(xué)

數(shù)據(jù)集地址：https://star-datasets.github.io/vector/

? 事件相機最近越來越受歡迎，因為它們具有強大的潛力，可以在高動態(tài)或具有挑戰(zhàn)性照明的情況下補充常規(guī)相機。然而，為了確保包含事件的多傳感器SLAM的進展，需要新的基準序列。

? 我們的貢獻是利用多傳感器設(shè)置捕獲的第一組完整的基準數(shù)據(jù)集，該設(shè)置包含基于事件的雙目相機、常規(guī)雙目相機、多個深度傳感器和慣性測量單元。該設(shè)置完全硬件同步，并經(jīng)過精確的外部標定。所有序列都帶有由高精度外部參考設(shè)備（如運動捕捉系統(tǒng)）捕捉的地面實況數(shù)據(jù)。單個序列包括小型和大型環(huán)境，并涵蓋動態(tài)視覺傳感器所針對的特定挑戰(zhàn)。

本文貢獻如下：

1、由一個完整的硬件同步傳感器套件捕獲，其中包括一個事件雙目相機，一個常規(guī)雙目相機，一個RGB-D傳感器，一個激光雷達，和一個IMU;

2、覆蓋運動動力學(xué)的全光譜，環(huán)境復(fù)雜性(例如，地下室與模糊運動，缺乏紋理)和照明條件(例如HDR場景，低或動態(tài)變化的照明情況);

3、完成小型和大型場景下的六個自由度地面真值，以及高精度的內(nèi)參和外參標定。

以上內(nèi)容來自小六的機器人SLAM學(xué)習(xí)圈?每日更新內(nèi)容