Abstract
水面无人艇在水上执行危险任务和耗时任务时具有巨大的研究价值。近年来，内河航道的usv因其在自主监测、运输和清洁方面的潜在应用而受到越来越多的关注。然而，与开放水域航行不同的是，内河景观所带来的挑战，如复杂的河道分布、全球定位系统(GPS)信号拒止环境、河岸结构的反射以及水面上的雾，都阻碍了USV在内河航道的应用。为了解决这些问题并刺激相关研究，我们引入了USVInland，一个内陆水道usv的多传感器数据集。USV在内河航行总长跨越了超过26公里的轨迹，使用各种传感器，包括激光雷达、立体相机、毫米波雷达、GPS和惯性测量单元(IMUs)。基于内河航道usv感知和导航的要求和挑战，我们建立了同步定位和映射(SLAM)、立体匹配和水分割的基准。我们评估了上述任务的常见算法，以确定独特的内河航道场景对算法性能的影响
Related Work
B.SLAM
SLAM是无人驾驶车辆在未知环境下自动导航的基本能力。基于激光雷达和相机的SLAM不断涌现出新兴的方法,基于激光雷达的SLAM方法如LOAM[23]，Cartographer[24]，LeGO-LOAM[25]，以及基于视觉的SLAM方法有ORB-SLAM[26]和VINS[27]，已被证明是有价值的自动驾驶车辆的导航系统，已经转移到实际使用。
近年来，77GHz 的汽车雷达技术发展迅速。随着雷达点云的分辨率越来越高，能够提供更丰富的周围环境信息。同时，更多研究人员关注基于毫米波雷达[28]-[31]的SLAM。毫米波雷达在usv上的应用价值值得研究，因为雷达对雾、雨等恶劣天气条件更稳健，而且不受照明条件的影响。
对于USV，SLAM算法已被用于GPS信号拒止条件下的导航定位。Han和Kim[32]提出了一种使用基于激光雷达点云的基于地标的SLAM框架来估计桥梁下车辆位置的方法。Wang等人[10]将紧密耦合的激光雷达惯性测程仪LIO-SAM[33]应用于他们的城市水路运输USV，RoboatII。Kriechbaumer等人[7]专注于用于USV定位的视觉测速算法，他们评估了基于特征和基于外观的视觉测速算法，以开发一个河流监测USV。Han等人[1]基于从海洋雷达图像中提取的海岸线特征，提出了用于USV导航和测绘的C-SLAM。
Dataset
A 传感器及平台
我们的采集平台由一个带有多个传感器的充气地面小船组成，可以为各种任务进行基准测试。该平台配备了一个16束激光雷达系统、一个立体彩色照相机、三个毫米波雷达和一个惯性导航系统(INS)。传感器在我们的平台上的位置如图2所示。激光雷达在顶部，相机朝前，毫米波雷达安装在两侧及前面。两个GPS天线安装在船两对角线上，与GPS内部的基站和探测器模块相连。其中一个设置在实时运动(RTK)模式接收信号，以提供高达厘米级的精度。另一个模块与探测器模块连接，通过模块固件中的移动底座支撑获得准确的绝对航向信息。
E 真值
SLAM的真值来源GPS的位置和IMU的姿态。
Stereo Matching中的真值生成提到，单帧内的激光雷达点云在投影到图像上时相对稀疏。在这种情况下，我们基于ICP方法集成相邻帧的三维激光雷达点云，然后将聚合的点投影到图像平面上，以获得更密集的地面真实值。
Water Segmentation通过LabelMe手工标出来。
Experiment
A.SLAM
激光雷达SLAM，评估了LOAM[23]和LeGo-LOAM[25]激光SLAM方法在6段数据序列中的性能。当船在平坦和水平的水面上航行时，评估是在二维空间中进行的。可以看出，对于在雨、雾等恶劣环境下收集的序列评估结果中，LOAM和LeGp-LOAm的性能都有所下降。
视觉SLAM采用的是ORB-SLAM2[50].我们在数据集中所有公开的33个序列上测试了这些算法。该算法在我们的数据集上的定位结果是不可接受的，估计结果与真值差异很大。平移相对误差大于20%。对于可视化的SLAM结果，从图8中可以看出，一方面，水面上的雾会降低能见度，导致对特征点的检测困难。另一方面，如[52]中所提到的，由于在短期内缺乏显著特征（主要从河岸中提取），因此降低了基于特征的算法的性能。在我们的实验中，在内河水道中间行驶时，河道很宽，提取的大部分特征都来自水面上的反射，而且距离很远。对相对较远距离的特征点的深度估计误差会导致相邻帧之间的相对姿态估计误差。此外，在某些情况下，水波会扭曲水的反射，这使得反射中的关键点在相邻的帧中不稳定。在这种情况下，估计的结果与地面事实有很大的不同。
雷达SLAM，评估了Schuster[53]提出的FastSLAM的算法。雷达数据是来自3毫米波雷达的点云的融合，它们安装在平台的正面和两侧，为车辆周围提供更全面的信息。由于雷达的探测范围有限，我们选择了8个序列，即船只航行时靠近河岸或河流较窄的序列（我们选择的8个序列在我们的网站上有标记）。对这些序列进行测试，我们得到了3.95%的相对平移误差（平均超过5到200米长的轨迹）。所选的两个序列的结果如图9所示。可以看出，该算法应用于雷达航道侧目标不同的场景，如含金属的石栏杆，具有更好的性能。然而，如图9的第一个序列所示，当船转身（在第一个序列的转折点）或者航行在水道中间时，离两岸很远，由于有效目标的减少，估计结果和地面真值间的漂移迅速增大。
衡量指标Relative Pose Error(在不同长度时测量的，第5,10,50,100, … ，400米时)：相对平移误差 % / 相对旋转误差 degrees/1m
