《The International Journal of Robotics Research》：Boreas road trip: A multi-sensor autonomous driving dataset on challenging roads
编辑推荐：
Boreas道路之旅（Boreas-RT）数据集将多季节Boreas数据集扩展至对现代自动驾驶算法构成挑战的多样化新地点。Boreas-RT包含在9条真实道路路线上采集的60个序列，总计643 km的行驶数据。每条路线均被多次遍历，从而能够在相同环境下评估不同
Boreas道路之旅（Boreas-RT）数据集将多季节Boreas数据集扩展至对现代自动驾驶算法构成挑战的多样化新地点。Boreas-RT包含在9条真实道路路线上采集的60个序列，总计643 km的行驶数据。每条路线均被多次遍历，从而能够在相同环境下评估不同交通状况以及部分情况下不同天气条件的影响。数据采集平台包括一台5MP FLIR Blackfly S相机、一部360° Navtech RAS6多普勒（Doppler）功能旋转雷达、一部128通道360° Velodyne Alpha Prime激光雷达、一部Aeva Aeries II FMCW多普勒功能激光雷达、一个Silicon Sensing DMU41惯性测量单元（IMU）以及一个Dynapar轮式编码器。通过后处理的Applanix POS LV GNSS-INS数据提供厘米级地面真值。该数据集包含精确的外参与内参标定、公开可用的开发工具包（devkit），以及用于里程计与度量定位的实时排行榜（leaderboard）。基准测试结果表明，许多最先进的里程计与定位算法过度拟合于简单驾驶环境，并在更具挑战性的Boreas-RT路线上性能显著下降。Boreas-RT为在多样道路条件下评估多模态算法提供了统一数据集。该数据集、排行榜与开发工具包可在boreas.utias.utoronto.ca获取。
**研究背景与意义**
过去十年间，自动驾驶（AV）研究界在众多任务上取得了显著性能提升，这在很大程度上得益于真实世界数据集的大量涌现，它们支持了直接且公平的算法比较，并推动了有前景的研究方向。然而，数据采集的高成本带来了一个固有权衡：现有数据集通常优先考虑多样性（广度）或重复覆盖（深度）。近年来感知类数据集已开始同时实现多样性与规模，但面向里程计、建图与定位等非学习型AV状态估计任务的数据集仍主要割裂于“广度”与“深度”两类。广度方法支持在多种道路类型上进行测试，但不断变化的交通、时间与天气等瞬态条件，使得环境类型与瞬态条件的影响难以解耦；深度方法虽能详细研究条件变化对性能的影响，却增加了对特定路段过拟合的风险。此外，许多经典状态估计数据集缺乏现代AV系统所配备的多种传感器，研究人员常需混合多个数据集来支撑其论证，这阻碍了严格的一对一比较。为此，研究人员构建了Boreas道路之旅（Boreas-RT）数据集，旨在为里程计、建图与定位任务同时提供测试广度与深度，并防止算法对特定道路类型过拟合。
**研究内容与主要贡献**
Boreas-RT在原有Boreas数据集（Burnett et al., 2023）基础上扩展了8条新路线（共9条）、独立IMU数据、新型FMCW激光雷达数据，以及支持多普勒（Doppler）速度提取的360°雷达数据。数据集包含60个序列，总计642.9 km行驶数据，每条路线平均重复遍历约6次，覆盖了结构化（郊区、工业区、城市）、乡村（森林、农场）与高速公路（隧道、高架、区域、高速）三类子集，路线设计在几何形态（郊区vs.长隧道）、行驶速度（工业区vs.主干高速）与城市化程度（森林道路vs.城市中心）上均具有高度多样性。采集平台配备5MP FLIR Blackfly S相机、360° Navtech RAS6多普勒雷达、128通道Velodyne Alpha Prime激光雷达、Aeva Aeries II FMCW多普勒激光雷达、Silicon Sensing DMU41独立IMU与Dynapar轮式编码器。地面真值由Applanix POSPac软件以RTX方式后处理生成，提供厘米级位姿与毫米每秒级速度，且除轮式编码器外不依赖任何原始传感器数据，保证了算法评估的客观性与跨模态公平比较。该论文发表在《The International Journal of Robotics Research》。
**关键技术方法**
研究人员采用的主要方法包括：基于Applanix POS LV GNSS-INS的RTX后处理地面真值生成；基于PPS/NMEA信号与PTP协议的传感器时间同步，并针对独立IMU采用基于互相关的“急动”对齐与时钟漂移重算；使用MATLAB标定器完成相机内参与相机-激光雷达外参标定，采用2D/3D高斯-牛顿迭代最近点（ICP）优化分别完成雷达与Aeva激光雷达外参标定；通过求解Wahba问题完成IMU姿态标定；采用KITTI风格漂移度量与均方根误差（RMSE）分别评估里程计与定位性能。60个序列采集自9条真实道路路线，采集时间跨度10个月。
**基准测试结果**
*里程计基准*：研究人员对直接雷达里程计（DRO）、雷达teach and repeat（RTR）、激光雷达teach and repeat（LTR）与Doppler-惯性里程计（D-Aeva）四种算法进行了评估。在结构化路线上，所有算法均表现出低漂移与近乎完美的成功率，但城市路线因大量动态物体导致性能普遍下降，且城市峡谷效应降低了地面真值质量。在乡村与高速公路路线上，依赖场景结构进行ICP配准的RTR与LTR算法性能显著下降：乡村路线的植被路段缺乏稳定地标，平坦农田路段则完全缺乏地标；公路路线（尤其高架与隧道）的重复性几何特征引发几何退化，使ICP难以精确估计沿道路方向的运动。相比之下，利用环境无关速度测量的多普勒方法（DRO和D-Aeva）性能下降较小。除DRO外所有算法均出现失败，这可能归因于DRO在初步Boreas-RT数据上开发时已考虑了不同道路类型。
*定位基准*：基于雷达的SE(2)定位失败率超过26%，基于激光雷达的SE(3)定位失败率超过33%，尽管两者在郊区和工业路线上均取得了优异结果。定位本质上依赖场景几何，因此受几何挑战路线的影响更为显著，这凸显了在更广泛道路类型与条件下开展AV定位研究的必要性。
*雪堆旁注*：郊区路线的SE(3)定位基准表现显著差于原始论文报告。进一步研究发现，数据采集于大雪之后，道路两侧形成的大量雪堆引入了相对于预期地面平面的不一致垂直偏移。当建图数据与定位数据均采集于晴天或均采集于雪天时，性能达到SOTA水平；而混合晴天与雪堆数据则导致性能全面退化，表明在多种道路条件（天气、交通、时间）下评估定位算法的重要性。
**结论**
Boreas-RT数据集覆盖9条不同路线、60个序列、总计643 km的道路数据，包含由5MP FLIR相机、360° Navtech雷达、360° Velodyne激光雷达、FMCW Aeva激光雷达、独立Silicon Sensing IMU与轮式编码器采集的测量数据。该数据集旨在通过重复遍历、多传感器配置、多样化路线及每种路线下的不同驾驶条件，为状态估计算法提供兼具广度与深度的测试环境。研究人员提供了展示当前SOTA算法在此新数据上经历的失败类型的基准测试，并提供了开发工具包（devkit）与公开排行榜（leaderboard），供研究人员比较算法并推动这些失败问题的解决。
