FusionPortableV2: A Unified Multi-Sensor Dataset for Generalized SLAM Across Diverse Platforms and Scalable Environments

同时定位与地图构建（SLAM）技术已经被广泛应用于各种机器人场景，从救援行动到自动驾驶。然而，SLAM算法的普适性仍然是一个重大挑战，因为当前的数据集在平台和环境方面缺乏可扩展性。为了解决这个限制，我们提出了FusionPortableV2，这是一个多传感器SLAM数据集，具有显着的传感器多样性、不同的运动模式和广泛的环境场景。我们的数据集包括27个序列，跨越2.5小时，从四个不同的平台收集：手持套件、轮式和腿式机器人以及车辆。这些序列涵盖了多样化的环境设置，包括建筑物、校园和城市地区，总长度为38.7公里。此外，数据集还包括地面真实轨迹（GT）和覆盖约0.3平方公里的RGB点云地图。为了验证我们的数据集在推进SLAM研究方面的实用性，我们评估了几种最先进的SLAM算法。此外，我们通过研究其在单目深度估计方面的潜力，展示了数据集超越传统SLAM任务的广泛适用性。完整的数据集，包括传感器数据、GT和校准细节，可在https://fusionportable.github.io/dataset/fusionportable_v2上访问。

本论文旨在解决SLAM算法普适性不足的问题，提出了一个多传感器SLAM数据集FusionPortableV2，以验证SLAM算法的性能和推动SLAM研究的进一步发展。

本文的关键思路是提出了一个多传感器SLAM数据集FusionPortableV2，包含了不同平台、不同环境和不同运动模式下的27个序列，以及相应的真实轨迹和RGB点云地图，利用这个数据集评估了几种SOTA SLAM算法的性能，并探究了数据集在单目深度估计方面的潜力。

本文的亮点包括：1. 提出了一个多传感器SLAM数据集FusionPortableV2，具有较强的普适性和可扩展性；2. 通过实验验证了数据集的有效性，并评估了几种SOTA SLAM算法的性能；3. 探究了数据集在单目深度估计方面的应用潜力。

在这个领域中，最近的相关研究包括：1. 基于深度学习的SLAM算法；2. 基于惯性测量单元的SLAM算法；3. 基于视觉和激光雷达的SLAM算法。