Autoware城市数据集采集与处理技术解析

数据集背景与目标

Autoware自动驾驶系统开发过程中，需要针对特殊城市环境（如隧道、桥梁等）进行算法验证和性能测试。为此，项目团队专门规划并执行了一次高质量的城市环境数据采集工作，旨在为LOAM（Lidar Odometry and Mapping）定位算法等核心功能模块提供可靠的测试数据。

传感器配置方案

本次数据采集采用了专业级的传感器组合：

• 激光雷达：Hesai Pandar XT32，32线机械式激光雷达，采用Strongest回波模式采集点云数据
• 定位定向系统：Applanix POS LVX GNSS/INS组合导航系统，提供高精度位置和姿态信息

传感器之间通过PPS硬件同步信号和GPRMC时间信息报文实现精确时间同步，确保数据的时间一致性。系统安装时特别注意了传感器之间的空间关系标定，为后续数据处理奠定了基础。

数据采集路线规划

采集路线经过精心设计，覆盖了典型城市驾驶场景中的多种挑战性环境：

1. 长距离隧道场景（测试GNSS信号缺失情况下的定位性能）
2. 大型跨海桥梁（评估多路径效应和高空环境对定位的影响）
3. 复杂城市道路（包含多种交通要素和动态障碍物）

路线总长约15公里，包含了不同速度段（30-80km/h）的驾驶数据，能够全面测试自动驾驶系统在各种工况下的表现。

数据处理流程

原始数据格式

采集获得的原始数据包括：

• 激光雷达点云数据（PCAP格式）
• GNSS/INS原始观测数据（T04格式）
• 时间同步信息（GPRMC报文）

数据转换与配准

数据处理团队开发了专门的处理流程：

1. 时间对齐：利用PPS硬件同步和GPRMC时间戳确保传感器数据时间一致性
2. 坐标转换：将GNSS/INS的NED坐标系数据转换为ROS标准坐标系
3. 传感器标定：应用预先标定的外参矩阵（包含空间位移和旋转参数）

点云地图生成

使用LOAM算法框架生成高精度点云地图，关键技术点包括：

• 点云特征提取（边缘点和平面点分离）
• 基于GNSS/INS的初始位姿估计
• 点云配准与优化
• 动态障碍物滤波（后续计划实现）

数据集技术规格

坐标系定义

• 车辆坐标系：X轴向前，Y轴向右，Z轴向下
• 激光雷达坐标系：X轴向后，Y轴向右，Z轴向上
• GNSS/INS坐标系：采用NED（北-东-地）坐标系

传感器标定参数

提供了精确的传感器间标定参数，包括：

• 空间位移（X/Y/Z三轴偏移）
• 旋转角度（横滚/俯仰/偏航）
• 时间延迟补偿

数据产品

最终生成的数据产品包括：

1. 完整点云地图（0.2米体素降采样）
2. 特征点云（边缘点和平面点分离）
3. ROS2 bag格式的原始传感器数据
4. 时间对齐的原始数据包（PCAP+TXT）

技术挑战与解决方案

在数据采集和处理过程中，团队遇到了若干技术挑战：

1. 时间同步问题：初期数据因时间不同步导致LOAM建图失败。解决方案是加强PPS硬件同步，并增加GPRMC软件时间戳校验。

2. 动态障碍物干扰：城市环境中大量动态车辆导致点云地图出现"鬼影"。计划后续通过时序分析和目标跟踪技术进行滤除。

3. 隧道场景定位：在GNSS拒止环境下，依赖激光雷达里程计的累积误差控制。通过改进闭环检测算法提高建图一致性。

数据集应用价值

该数据集具有以下应用价值：

1. 算法开发：可用于LOAM等激光定位算法的开发与测试
2. 系统验证：验证自动驾驶系统在复杂城市环境中的可靠性
3. 性能评估：评估不同传感器配置在极端条件下的表现
4. 基准测试：为不同算法提供统一的测试基准

未来改进方向

基于当前数据集，团队规划了以下改进方向：

1. 实现动态障碍物的自动滤除，提高点云地图质量
2. 增加传感器多样性（如摄像头、毫米波雷达等）
3. 提供更多元化的场景数据（如雨天、夜间等特殊条件）
4. 开发标准化的数据处理和评估工具链

该数据集的建立为Autoware生态系统提供了重要的测试资源，将有效促进自动驾驶技术在复杂城市环境中的应用发展。