Örebro 4D-radar SLAM Challenge Data

该数据集是4D-radar SLAM挑战赛的训练和竞赛轨迹，由Örebro大学校园及其周边森林区域的两条轨迹组成，记录于2026年1月。数据集包含激光雷达、三个4D雷达传感器、GNSS参考、RGB相机和IMU。训练部分提供所有数据，竞赛部分仅提供雷达和IMU数据。

This dataset contains training and competition trajectories for the 4D-radar SLAM Challenge. Collected in January 2026, it includes two trajectories covering the Örebro University campus and its surrounding forest areas respectively. The dataset provides data from LiDAR, three 4D radar sensors, RGB cameras, GNSS reference data and an IMU. For the training subset, all recorded data is fully available, while only radar and IMU data are offered for the competition subset.

原始信息汇总

Örebro 4D-radar SLAM Challenge Data 数据集概述

数据集描述

该数据集是ICRA 2026会议“Radar in Robotics: New Frontiers”研讨会组织的4D雷达SLAM挑战赛的训练和竞赛赛道。数据集包含两条由Husky机器人记录的轨迹，穿越一片森林区域（约200x200米）和邻近的厄勒布鲁大学校园。数据记录于2026年1月。森林区域地形不平坦，因其曾在维京时代（公元550-1050年）作为墓地。校园部分的轨迹也涉及攀爬一些倾斜路径和斜坡地形。数据集包含激光雷达、三个4D雷达传感器、GNSS参考、RGB相机和IMU。在训练数据中，提供所有数据。在竞赛数据中，仅提供雷达和IMU数据。

数据集构成

公开训练部分

• 01_campus_training_localized (时长2257秒) 1.8公里长的轨迹，覆盖校园的自然和城市环境。其形状设计提供了多次回环闭合的机会。

隐藏测试部分

• 02_campus_eval_filtered (时长3813秒) 2.6公里长的轨迹，覆盖相同环境。同样允许多次回环闭合。此数据仅提供雷达和IMU数据。竞赛SLAM系统必须仅使用这两种模态进行定位和建图。

数据结构和文件组织

数据集根目录结构如下：

├── calibration │   ├── frames_overview.pdf │   ├── hugin_a4_radar_startup_params.txt │   └── static_tfs.launch.xml └── data ├── 01_campus_training_localized │   ├── gps │   │   └── ReachRoverO_solution_20260120122238.LLH │   ├── reference_map │   │   └── 01_map.ply │   └── rosbag │   └── 01_campus_training_localized │   ├── metadata.yaml │   └── racoon_2026_01_28_17h_34m_30s_[0-11].mcap └── 02_campus_eval_filtered └── rosbag └── 02_campus_eval_filtered ├── 02_campus_eval_filtered_[0-7].mcap └── metadata.yaml

• rosbag/ → ROS2 Jazzy bagfile版本，使用mcap作为存储格式。
• gps/ → 来自Emlid Reach RS2+接收器的参考RTK轨迹。
• reference_map/ → 从GLIM SLAM包导出的参考激光雷达地图。该地图与Norlab ICP Mapper一起用于在训练数据中填充map → odom变换。
• calibration/ → 传感器坐标系之间的变换以及Hugin雷达设置。为方便起见，TF以ROS2启动文件形式提供。

传感器

数据集提供以下传感器的测量数据：

• Sensrad Hugin A4-Sample（固态4D雷达，三个单元覆盖3x90°）
  • 传感器消息是点云，包含每个点的功率和多普勒值。
  • 三个雷达传感器各自独立运行——点云并非同时触发。时间戳由雷达板载生成，基于与ROS驱动程序的初始同步。
  • 注意：数据集中使用的Hugin A4-Sample雷达是演示版、预生产模型，其性能与即将推出的生产就绪模型不同。
  • 话题：/hugin_[1,2,3]/radar_data
• Leishen C32（3D激光雷达）
  • 该传感器可用于调整和验证SLAM解决方案，但在竞赛数据中不可用。为方便起见，也提供了运动去偏点云。
  • 话题：/cx/lslidar_point_cloud, /cx/lslidar_point_cloud_deskewed
• Xsens MTi-30（IMU）
  • 话题：/imu/data, /imu/mag
• Emlid Reach RS2+（RTK-GNSS接收器对）
  • 接收器话题（RTK模式）：/emlid_gnss/fix, /emlid_gnss/nmea_sentence, /emlid_gnss/time_reference, /emlid_gnss/vel
• 与Xsens MTi-30 IMU融合的Husky里程计
  • 话题：/a200_1750/platform/cmd_vel（遥操作命令），/a200_1750/platform/odom（纯里程计），/imu_odom（融合的IMU-里程计）
• 相对于提供的参考点云地图的参考定位
  • 话题：/icp_odom（表示/base_link在/map中的位姿）

参考内容

数据集包含训练数据的参考定位：

• gps/ReachRoverO_solution_20260120122238.LLH：参考GNSS RTK定位。机器人与GPS时间同步。此文件内容也以较低采样率复制在bag文件的/emlid_gnss/fix话题中。
• reference_map/01_map.ply：由GLIM SLAM生成的点云地图。尽管未使用GPS作为辅助源，但已验证此地图中的轨迹与RTK GPS对齐，误差低于10厘米。请注意，竞赛将根据RTK GPS进行评估。
• /icp_odom和/tf：参考激光雷达地图中的激光雷达定位。激光雷达定位在/tf话题中表示为map → odom变换。odom → base_link是用于参考激光雷达定位的IMU和轮式里程计融合。建议在开发竞赛用的基于雷达的里程计时过滤掉这两个变换。

数据下载

数据集可通过此存储库逐文件访问：https://cloud.oru.se/s/y8fLYsxfFRSoH4z 数据集使用7z工具压缩，请确保系统已安装该工具以进行解压。下载和解压存档需要57GB+65GB的可用硬盘空间。

致谢

参考地图使用GLIM构建，定位使用Norlab的ICP Mapper获得。 该数据集的工作得到了欧盟Horizon Europe框架计划下RaCOON项目（ID：101106906）的支持。

搜集汇总

数据集介绍

构建方式

在机器人感知与导航领域，四维雷达SLAM技术正成为应对恶劣天气与复杂地形挑战的前沿方向。Örebro 4D-radar SLAM挑战数据集构建于2026年1月，通过搭载多传感器平台的Husky机器人，在瑞典厄勒布鲁大学校园及邻近维京时代墓葬森林区域采集而成。数据采集覆盖约200×200米范围，包含自然与城市混合环境，地形涵盖起伏坡道与倾斜路径，模拟了真实世界中的导航复杂性。数据集采用ROS2 Jazzy框架录制，以mcap格式存储，并配备完整的传感器标定参数与坐标变换信息，为算法开发提供可靠的多模态数据基础。

特点

该数据集的核心特征体现在其多传感器配置与双轨迹设计架构上。训练部分提供激光雷达、三台固态4D雷达、GNSS接收机、RGB相机及IMU的完整数据流，其中三台Hugin A4-Sample雷达以非同步自由运行模式覆盖270度视场，每帧点云均包含功率与多普勒信息。测试部分则严格限定仅使用雷达与IMU数据，模拟实际竞赛中的传感器约束条件。数据集特别提供由GLIM SLAM生成的厘米级精度参考地图与RTK-GNSS真值轨迹，其森林区域因历史地貌形成的非平整地形为SLAM算法提供了独特的测试场景。

使用方法

使用者可通过提供的下载脚本获取约57GB压缩数据包，解压后需约65GB存储空间。数据按训练与测试轨迹分别组织，包含标定文件、ROS2数据包及参考地图。开发过程中可利用训练集的完整传感器数据进行算法调试与验证，通过解析mcap格式的ROS2数据包获取各传感器话题流。对于竞赛准备，需专注于雷达点云时序同步与融合技术，利用三台雷达的宽视场特性构建鲁棒的环境表征。评估阶段应以RTK-GNSS轨迹为基准，通过过滤参考坐标系变换避免数据泄露，确保算法在纯雷达-IMU模态下的泛化能力得到准确检验。

背景与挑战

背景概述

Örebro 4D-radar SLAM Challenge Data 数据集诞生于2026年，由欧洲RaCOON项目资助，旨在推动机器人领域雷达技术的前沿研究。该数据集作为ICRA 2026会议“机器人雷达：新前沿”研讨会的重要组成部分，由研究团队利用Husky机器人平台在瑞典厄勒布鲁大学校园及邻近森林区域采集。核心研究问题聚焦于复杂户外环境中基于4D雷达的同步定位与地图构建（SLAM），通过融合多传感器数据，为自动驾驶与机器人导航提供高精度、鲁棒性的解决方案。其影响力在于填补了4D雷达在SLAM任务中公开基准数据的空白，促进了雷达感知算法的创新与验证。

当前挑战

该数据集旨在解决户外SLAM中雷达感知的固有挑战：4D雷达点云通常存在噪声高、分辨率低的问题，在复杂地形如不平整的森林与斜坡环境中，特征提取与数据关联尤为困难。构建过程中的挑战包括多传感器时间同步的复杂性，三个雷达单元独立运行，需参赛者自行设计同步策略；同时，数据集采用了预生产版本的雷达硬件，其性能与量产模型存在差异，增加了算法泛化难度。此外，竞赛部分仅提供雷达与IMU数据，要求SLAM系统在缺乏视觉与激光雷达辅助下实现精准定位，对算法鲁棒性提出了更高要求。

常用场景

经典使用场景

在机器人感知与自主导航领域，Örebro 4D-radar SLAM Challenge Data 数据集为基于四维雷达的同步定位与地图构建技术提供了经典验证平台。该数据集通过搭载多传感器的Husky机器人，在包含森林与校园的复杂地形中采集了长距离轨迹数据，特别设计了多个回环闭合机会，旨在评估SLAM算法在仅依赖雷达与惯性测量单元条件下的鲁棒性与精度。这一场景典型地模拟了自动驾驶或野外机器人在缺乏GPS信号或视觉辅助时的导航挑战，为研究者提供了标准化的测试环境。

实际应用

在实际应用层面，该数据集直接服务于自动驾驶车辆、野外勘探机器人以及智慧城市基础设施巡检系统。四维雷达能够穿透雨雪与灰尘，在能见度极低的北欧冬季环境中稳定工作，这对于林业监测、考古场地测绘或校园安防巡逻具有重要价值。数据集中的多雷达配置模拟了车辆周视感知需求，其提供的点云多普勒信息可用于动态障碍物追踪，为开发在极端天气下仍能可靠运行的自主导航系统提供了关键数据支撑。

衍生相关工作

围绕该数据集，学术界已衍生出一系列聚焦于雷达SLAM的经典研究工作。例如，参考地图构建所采用的GLIM SLAM框架展示了GPU加速扫描匹配在雷达-惯性融合中的潜力；而Norlab ICP Mapper则被用于生成高精度激光雷达基准，为雷达SLAM的评估提供了可靠真值。这些工作共同推动了雷达点云配准算法、多传感器时间同步策略以及无GPS环境下长期定位精度的研究，为后续ICRA 2026研讨会中的算法竞赛奠定了方法论基础。