導讀

隨著自動駕駛技術的發展，自動駕駛場景逐漸由路面擴展至水上，無人船（USV）及其相關應用成為近年來研究熱點之一。其中，內河無人船具有極大的應用價值，如內河自主運輸、測繪、水質檢測和河道垃圾清理等。不同于海面無人船，內河相對狹窄和復雜的環境，對無人船的定位和感知帶來了新的挑戰。最近，清華大學與西北工業大學的研究人員聯合歐卡智舶公開了內陸水道中無人船的多傳感器數據集USVInland，旨在促進無人船領域相關研究。

如今，無人駕駛技術日益成熟，無人機隨處可見，無人駕駛汽車也經常登上頭條。

天上和地上都有“無人設備”了，那水上呢？

當然是AI船長——“無人船”了！

海洋上的無人船技術近年來可謂是“百花齊放”，甚至聽說單靠CPU就能開發在海上的無人船。

然而，內陸河道中的無人船技術還非常有限，這是由于內陸水道比較狹窄，GPS信號會由于河岸植被、河道旁建筑以及橋梁的遮擋而減弱，并且在內河中，無人船的姿態變化更加頻繁，所以無人駕駛和海上無人船技術的通用策略在內河上是行不通的。

針對以上挑戰，清華大學與西北工業大學的研究人員聯合歐卡智舶公開了一組內陸水道中無人船的多傳感器數據集——USVInland，據說該數據集是全球第一個內河場景下的無人船數據集。

▍耗時4個月，風雨無阻采集多種數據

“世界上第一個內河無人船數據集”！這么牛的數據集USVInland是怎么來的呢？

研究人員花了四個月的時間，利用自家無人駕駛船風雨無阻地在各種天氣條件下、不同的時間段、以及不同的內陸河道場景中收集。

USVInland數據集涵蓋了內河的大多數駕駛情況，共采集到了27段原始數據，總行駛距離超過26公里。

這些數據來源于無人船上安裝的多個傳感器，包括激光雷達系統，立體攝像機，毫米波雷達，GPS天線和慣性導航系統IMU。

其中，激光雷達系統可以精確捕獲船上的3D屬性，3個毫米波雷達負責提供周圍環境點云數據。

為了同步多個傳感器的數據，在收集開始時，研究人員首先記錄每個傳感器捕獲的幀的絕對時間戳。然后，將每個傳感器內部時鐘的每個幀的準確相對時間戳與傳感器數據一起記錄下來。這種方法的同步精度很高，可以很好地滿足內陸水道場景的要求。

▍數據集含有多種算法支持

受到目前發布最早、影響力最大的自動駕駛算法評測數據集KITTI的啟發，USVInland數據集引入了SLAM（同時定位與地圖構建）、立體匹配和水岸分割任務。

SLAM對于內河的無人船是必需的，尤其是在無法直接測量船的位置的情況下，數據來自無人船GPS位置和IMU姿態信息的輸出。SLAM基準測試總共包含33個公共序列，這些公共序列是從27個原始序列中剪切而來的，每個SLAM序列的持續時間范圍從100秒到2600秒。

在內河航道的復雜場景中，可靠的立體聲匹配系統有助于安全導航。立體匹配子數據集中有324個圖像對，為了生成立體匹配基準的地面實況，地面真實數據是從激光雷達點云生成的。

水岸分割則有助于無人船區分可航行區域和障礙物、河面反射和真實物體；水分割基準包含700張圖像，這些圖像是通過手動選擇具有各種水線形狀的水道圖像來選擇的。其中，有518張相對低分辨率（640*320）和182張相對高分辨率（1280*640）的圖像以及注釋數據。

在應用了多種算法后，研究團隊證實了：將自動駕駛的通用方法應用于內河航道場景時效果并不好，也不滿足無人船安全航行的要求。

▍進一步拓展數據集，為行業提供支持

歐卡智舶的研究團隊表示，USVInland數據集的發布，是為無人船及水面自動駕駛領域相關研究者提供一個平臺和基準，并促進該領域的發展。

接下來，他們將計劃繼續拓展數據集，例如更多的歷史數據，以便對現實世界內陸水道中的USV的長期SLAM進行研究。

責任編輯：lq