ConPR: Ongoing Construction Site Dataset for Place Recognition

地点识别是计算机视觉和机器人领域中一个重要的挑战，它涉及识别之前访问过的位置。尽管算法取得了进展，但与外观变化相关的挑战仍然存在，现有的数据集通常关注季节和天气变化，但忽视了地形变化。考虑到基础设施老化和城市修复的持续进行，理解地形变化变得至关重要，以实现有效的地点识别。为了实现实际应用，算法的全面评估必须考虑空间动态性。为了解决现有的限制，我们提出了一个新颖的多会话地点识别数据集，该数据集从一个活跃的建筑工地获取。我们的数据集通过多次数据采集捕捉正在进行的建筑进展，便于在动态环境中进行评估。它包括相机图像、LiDAR点云数据和IMU数据，支持基于视觉和LiDAR的地点识别技术，并支持传感器融合。此外，我们提供基于范围的地点识别评估的地面真实信息。我们的数据集旨在推进具有挑战性和动态设置中的地点识别算法。我们的数据集可在https://github.com/dongjae0107/ConPR上获得。

本论文旨在解决计算机视觉和机器人领域中的重要挑战之一——地点识别（Place recognition），尤其是在面对城市基础设施老化和城市修建工作等情况下地点外观的变化如何影响地点识别的问题。

论文提出了一种新的多次会话地点识别数据集，并采用相机图像、LiDAR点云数据和IMU数据等多种数据源，支持视觉和LiDAR技术的地点识别以及多传感器融合。该数据集的亮点在于能够捕捉城市修建工作过程中地点外观的动态变化，有助于评估算法在动态环境中的表现。

该数据集的开发者提供了地面真实信息，以便进行基于距离的地点识别评估。此外，论文还开源了数据集和代码，方便研究人员使用和参考。论文的实验表明，该数据集对于评估地点识别算法在动态环境中的性能具有重要意义。值得进一步研究的工作包括如何更好地利用多种数据源进行地点识别、如何进一步提高算法的准确性等。

最近的相关研究包括基于深度学习的地点识别算法、基于图像匹配的地点识别算法等。相关论文包括：“Learning to Navigate Unseen Environments: Back Translation with Environmental Dropout”、“Visual Place Recognition: A Survey”等。