如今，无人驾驶技术日益成熟，无人机随处可见，无人驾驶汽车也经常登上头条。天上和地上都有“无人设备”了，那水上呢？
当然是AI船长“无人船”了！海洋上的无人船技术近年来可谓是“百花齐放”，甚至听说单靠CPU就能开发在海上的无人船。在海上无人驾驶进展到了如此地步，那在内河上呢？
最近，清华大学与西北工业大学的研究人员联合欧卡智舶公开了一个针对真实内河水域场景下多传感器、多天气条件下的内河无人船数据集USVlnland。为无人船及水面自动驾驶领域相关研究者提供一个平台和基准，推动解决内河无人船在真实场景应用中面临的挑战。
内河无人船发展有什么不同？
随着自动驾驶技术的发展，自动驾驶场景逐渐由路面扩展至水上，无人船及其相关应用成为近年来研究热点之一。其中，内河无人船具有极大的应用价值，如内河自主运输、测绘、水质检测和河道垃圾清理等均可使用内河无人船。
不同于海面无人船，内河相对狭窄和复杂的环境，对无人船的定位和感知带来了新的挑战。无人船在内河航道的准确定位与导航，依赖于对无人船与周围环境的感知。但在狭窄的内陆水道中，GPS信号有时会由于河岸植被、河道旁建筑以及桥梁的遮挡而减弱；水面上的雾和强光反射会降低激光雷达探测精度；岸边物体的反射和雨滴引起的涟漪也会带来干扰。
此外，不同于路面车辆，水面上船只的横向漂移较大，船只的运动模型更为复杂，给精确定位带来新的挑战。因此，对于内河无人船，路面自动驾驶的通用策略是不可行的。同时，内河无人船领域的公开标准数据目前还相对缺失，此次公布的USVlnland无疑为内河无人船打开了一个新的局面。
耗时4个月，风雨无阻采集多种数据
世界上第一个内河无人船数据集USVInland是怎么来的呢？
据悉，研究人员花了四个月的时间，利用无人驾驶船风雨无阻地在各种天气条件下、不同的时间段、以及不同的内陆河道场景中收集，数据集涵盖了内河的大多数驾驶情况，共采集到了27段原始数据，总行驶距离超过26公里。
这些数据来源于无人船上安装的多个传感器，包括激光雷达系统、立体摄像机、毫米波雷达、GPS天线和惯性导航系统IMU。其中，激光雷达系统可以精确捕获船上的3D属性，3个毫米波雷达负责提供周围环境点云数据。
为了同步多个传感器的数据，在收集开始时，研究人员首先记录每个传感器捕获的帧的绝对时间戳。然后，将每个传感器内部时钟的每个帧的准确相对时间戳与传感器数据一起记录下来。这种方法的同步精度很高，可以很好地满足内陆水道场景的要求。
数据集含有多种算法支持
受到目前发布最早、影响力最大的自动驾驶算法评测数据集KITTI的启发，USVInland数据集引入了SLAM（同时定位与地图构建）、立体匹配和水岸分割任务。
SLAM对于内河的无人船是必需的，尤其是在无法直接测量船的位置的情况下，数据来自无人船GPS位置和IMU姿态信息的输出。SLAM基准测试总共包含33个公共序列，这些公共序列是从27个原始序列中剪切而来的，每个SLAM序列的持续时间范围从100秒到2600秒。
在内河航道的复杂场景中，可靠的立体声匹配系统有助于安全导航。立体匹配子数据集中有324个图像对，为了生成立体匹配基准的地面实况，地面真实数据是从激光雷达点云生成的。
水岸分割则有助于无人船区分可航行区域和障碍物、河面反射和真实物体；水分割基准包含700张图像，这些图像是通过手动选择具有各种水线形状的水道图像来选择的。其中，有518张相对低分辨率（640*320）和182张相对高分辨率（1280*640）的图像以及注释数据。
USVlnland是全球首个内河水面无人驾驶数据集，对于国内内河水面无人驾驶技术的发展具有划时代的意义，期待 USVlnland 能够启发更多研究人员进行真实内河水域场景下无人船发展的研究。
