Autoware城市数据集采集与处理技术实践

数据集背景与目标

Autoware自动驾驶框架需要针对城市复杂场景进行算法验证和性能测试，特别是隧道和桥梁等极端环境下的定位与建图能力。为此，技术团队开展了一次专门的城市数据集采集工作，旨在为Autoware的LOAM-Based Localization功能开发提供高质量的测试数据。

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，这是一款32线机械式激光雷达，具有360°水平视场角和40°垂直视场角
• 组合导航系统：Applanix POS LVX GNSS/INS，提供厘米级定位精度和稳定的姿态测量

传感器间通过PPS脉冲信号和GPRMC时间信息进行硬件级时间同步，确保数据的时间一致性。激光雷达采用Strongest回波模式工作，优先记录最强反射信号。

数据采集路线规划

采集路线经过精心设计，覆盖了典型的城市复杂场景：

1. 长距离隧道场景：测试GNSS信号完全缺失环境下的定位能力
2. 大型桥梁场景：评估高度变化和开阔水域环境对传感器的影响
3. 城市道路混合场景：包含常规道路、交叉路口等典型城市元素

数据处理流程

原始数据格式

• 激光雷达数据：PCAP格式原始数据包，包含点云信息和时间同步标记
• GNSS/INS数据：T04格式原始数据及处理后的文本格式，包含位置、姿态和速度信息
• ROS2数据包：包含传感器原始话题和预处理数据

坐标系统说明

• GNSS/INS采用NED（北-东-地）坐标系
• 激光雷达坐标系定义：X轴向后，Y轴向右，Z轴向上
• 传感器间标定参数精确测量，包含位置偏移和姿态旋转

点云生成技术

使用LOAM算法框架进行点云建图，处理流程包括：

1. 点云特征提取：分离角点和平面点特征
2. 运动补偿：补偿车辆运动造成的点云畸变
3. 地图优化：结合GNSS/INS信息进行全局优化
4. 降采样处理：采用0.2米体素网格进行点云精简

数据集技术特点

1. 多场景覆盖：完整包含城市典型复杂场景
2. 时间同步精度：硬件级同步确保数据时间一致性
3. 数据完整性：提供原始数据和处理后数据
4. 坐标系明确：所有传感器坐标系关系清晰定义
5. 动态物体标记：原始数据中包含动态物体信息

应用价值

该数据集特别适用于以下自动驾驶技术研发：

• 无GNSS环境下的定位算法测试
• 激光雷达建图算法评估
• 多传感器融合系统验证
• 自动驾驶系统在极端场景下的鲁棒性测试

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：初期数据存在微小时间偏差，通过优化硬件连接和增加时间校验标记解决
2. 动态物体干扰：采用基于运动一致性的滤波算法减少动态物体对地图的影响
3. 大场景建图：使用MGRS投影坐标系处理大范围场景，避免坐标溢出
4. 传感器标定：通过多位置观测和优化算法提高标定精度

数据集使用建议

对于希望使用该数据集的研究人员，建议：

1. 首先了解各传感器的坐标系定义
2. 注意GNSS/INS数据的后处理特性
3. 对于定位测试，建议从部分场景开始逐步扩展到完整路线
4. 可利用提供的不同特征点云进行算法针对性测试

该数据集的建立为Autoware框架的城市自动驾驶能力提升提供了重要的测试基础，特别是为隧道、桥梁等复杂场景下的定位算法开发提供了宝贵的真实数据支持。