TAIL: A Terrain-Aware Multi-Modal SLAM Dataset for Robot Locomotion in Deformable Granular Environments

地形感知具有提高野外自主机器人导航的鲁棒性和精度的潜力，从而促进有效的越野穿越。然而，跨越各种运动模式的多模态感知的缺乏阻碍了同时定位和地图构建（SLAM）的解决方案，特别是在面对苛刻的地形中的非几何危险时。在本文中，我们首先提出了一个专为可变形和沙质地形量身定制的地形感知多模态（TAIL）数据集。它包括各种类型的机器人自我感知和不同的地面交互，用于多传感器融合SLAM的独特挑战和基准测试。多功能传感器套件包括立体帧相机、多个朝向地面的RGB-D相机、旋转的3D LiDAR、IMU和RTK设备。这个集合是硬件同步的、经过良好校准的、自包含的。利用轮式和四足的运动，我们高效地收集全面的序列，以捕捉丰富的非结构化场景。它涵盖了范围、地形交互、场景变化、地面特性和动态机器人特性的光谱。我们对几种最先进的SLAM方法进行基准测试，并提供性能验证。相应的挑战和限制也被报告。所有相关资源可通过\url{https://tailrobot.github.io/}进行请求访问。

论文旨在解决多模态感知在Simultaneous Localization and Mapping (SLAM)中的应用问题，特别是在面对非几何障碍物时的挑战。

论文提出了一个适用于变形和沙质地形的多模态感知数据集(TAIL)，并利用多种传感器进行硬件同步和自我校准，以提高机器人在野外环境中的导航鲁棒性和准确性。

TAIL数据集包含多种机器人感知和不同地面交互类型，使用轮式和四足步态收集全面的序列，涵盖了多种场景和机器人特性，对多种SLAM方法进行了性能验证。论文提供了数据集和代码的开源资源。

最近的相关研究包括：《A Survey of Terrain-aware Navigation for Unmanned Ground Vehicles》、《Terrain Traversability Analysis: A Review of the State of the Art》等。