ShotcreteDepth: 숏크리트 시공 환경에서 강건한 로봇 깊이 인식을 위한 이중 모드 데이터셋

초록

본 논문에서는 건설 현장에서의 능동적인 숏크리트 분사 공정과 일반적인 건설 환경을 모두 포착하는 이중 모달(bi-modal) 데이터셋인 ShotcreteDepth를 소개한다. 이 데이터셋은 높은 탁도 및 낮은 조도 등 열악한 실제 환경 조건에서 수집된 스테레오 RGB 영상과 LiDAR 포인트 클라우드로 구성된다. 이러한 조건은 센서 측정에 악영향을 미쳐 불완전하고 노이즈가 많은 관측값을 초래하며, 이는 자율 주행 응용 분야의 인식 시스템에 심각한 도전 과제가 된다. 데이터셋과 함께, LiDAR 포인트 클라우드의 시간 효율적인 라벨링을 위해 설계된 경량화된 주석 도구도 공개한다. ShotcreteDepth는 총 11,252개의 시간적으로 동기화된 데이터 샘플로 구성되며, 이 중 220개는 평가 목적으로 주석이 제공된다. 이 데이터셋은 산업 현장에서 발견되는 운영상의 복잡성을 잘 반영하는 조건에서 스테레오 매칭, 깊이 완성 및 깊이 추정 연구를 지원한다. 프로젝트 저장소: https://github.com/dtu-pas/shotcrete-depth

English

We introduce ShotcreteDepth, a bi-modal dataset from the construction domain that captures both an active shotcreting process and general construction environments. The dataset comprises stereo RGB imagery and LiDAR point clouds acquired under harsh real-world conditions, including high turbidity and poor illumination. Such conditions adversely affect sensor measurements, leading to incomplete and noisy observations that pose significant challenges for perception systems in autonomous applications. Alongside the dataset, we release a lightweight annotation tool designed for time-efficient labeling of LiDAR point clouds. ShotcreteDepth consists of 11,252 temporally synchronized data samples, of which 220 are annotated for evaluation purposes. The dataset supports research in stereo matching, depth completion, and depth estimation under conditions that closely reflect the operational complexities found in industrial settings. Project repository: https://github.com/dtu-pas/shotcrete-depth