Snail-Radar: A large-scale diverse dataset for the evaluation of 4D-radar-based SLAM systems

4D雷达由于其在恶劣天气和动态环境下的稳健性，越来越受到自主系统里程计和制图的青睐。然而，现有的数据集通常只覆盖有限的区域，并且通常是使用单一平台进行捕捉。为了填补这一空白，我们提供了一个专门设计用于4D雷达定位和制图的多样化大规模数据集。该数据集使用三种不同的平台进行收集：手持设备、电动自行车和SUV，在包括晴天、夜间和大雨等各种环境条件下进行。数据收集时间为2023年9月至2024年2月，包括校园内有植被的道路和高速公路隧道等多种设置。每条路线都经过多次遍历，以便进行地点识别评估。传感器套件包括3D激光雷达、4D雷达、立体相机、消费级IMU和GNSS/INS系统。传感器数据包使用两步过程与GNSS时间同步：应用凸包算法平滑主机时间抖动，然后使用里程计和相关算法校正恒定时间偏移。传感器之间的外部校准通过手动测量和后续非线性优化实现。平台的参考运动是通过将激光雷达扫描与地面激光扫描仪（TLS）点云地图进行配准，使用激光惯性里程计（LIO）方法在定位模式下生成的。此外，引入了一种数据反演技术，以实现向后的LIO处理。我们相信，这个数据集将促进基于雷达的点云配准、里程计、制图和地点识别的研究。

本论文旨在提供一个4D雷达定位和建图的多样化大规模数据集，以解决现有数据集覆盖范围有限、采用单一平台等问题。

本文提出了一种基于手持设备、电动自行车和SUV三种平台，采集不同环境下的数据集的方法。通过将数据包同步到GNSS时间，并进行外部校准和参考运动估计，实现了4D雷达点云配准、里程计、建图和场所识别等功能。

本文的数据集采集了多种环境下的数据，包括晴天、夜晚和大雨等。使用了多种传感器，包括3D激光雷达、4D雷达、立体相机、惯性测量单元和GNSS/INS系统。通过手动测量和非线性优化实现了传感器之间的外部校准。此外，还引入了数据回溯技术，使得可以进行后向的惯性测量单元处理。

最近的相关研究包括：1.《A Large-Scale Multi-Modal and Multi-Platform Dataset for Autonomous Driving》；2.《Multi-Modal Sensor Fusion for Robust Localization: The Way to Go Beyond Point Clouds》；3.《Real-Time 3D Object Detection and Tracking for Autonomous Driving on Unstructured Roads》。