awesome-slam-datasets

这是一个专门收集、整理和索引SLAM（同步定位与地图构建）相关数据集的资源合集。它涵盖了多个类别，包括里程计、建图、地点识别、定位和感知等任务的数据集，并按平台（如车辆、移动机器人、无人机）和环境（如城市、室内、地形）进行分类。该合集旨在为SLAM研究和应用提供全面的数据集参考。This is a comprehensive resource collection dedicated to collecting, curating, and indexing datasets related to SLAM (Simultaneous Localization and Mapping). It covers datasets across multiple categories involving tasks such as odometry, mapping, place recognition, localization, and perception, and is categorized by platforms (e.g., vehicles, mobile robots, unmanned aerial vehicles) and environments (e.g., urban, indoor, terrain). This collection aims to provide comprehensive dataset references for SLAM research and applications.

原始信息汇总

数据集概述

该页面是一个SLAM相关数据集的集合仓库（Awesome SLAM Datasets），汇总了提供位姿（Pose）和地图（Map）信息的各类数据集。页面按主题、特性、平台和环境等多个维度对数据集进行分类，并提供了一个简化版的数据集总览表格。

数据集分类

按主题分类

• Odometry (里程计)：用于里程计基准测试的数据集。
• Mapping (地图构建)：用于地图构建任务的数据集。
• Place Recognition (地点识别)：提供地点（图像）对应关系的数据集。
• Localization (定位)：用于度量级定位的数据集。
• Perception (感知)：包含语义标签或对应关系的数据集。

按特性分类

• Large-scale (大规模)：城市级地图，千米级别地图。
• Long-term (长期)：多会话、长期数据收集。
• Map Complexity (地图复杂性)：地图结构的变化。
• Extreme Condition (极端条件)：极端环境、运动。

按平台分类

• Vehicle (车辆)：商用车辆（四轮在路行驶）。
• Mobile Robot (移动机器人)：移动机器人（如 Husky, Rover）。
• Unmanned Aerial Vehicle (UAV)：无人机，包括无人航空载具。
• Autonomous Underwater Vehicle (AUV)：水下机器人。
• Unmanned Surface Vehicle (USV)：水面车辆，如独木舟和船。
• Hand-held Device (手持设备)：人工手持平台。

按环境分类

• Urban (城市)：城市、校园、城镇和基础设施。
• Indoor (室内)：室内环境。
• Terrain (地形)：崎岖地形、地下、湖泊和农场。
• Underwater (水下)：水底、洞穴。

代表性数据集总览（简化版）

表格摘要了各数据集的关键属性，包含简称、所属机构、年份、平台、出版物、环境、位姿真值、地图真值、传感器配置等。以下节选部分数据集：

数据集简称	发布年份	平台	环境	传感器
UZH-FPV Drone Racing	2019	UAV	室内, 城市	相机, IMU, 事件相机
Complex Urban	2018	车辆	城市	激光雷达, IMU, GPS, 编码器
EuRoC	2016	UAV	室内	相机, IMU
KITTI	2013	车辆	城市	激光雷达, 相机, IMU, GPS
TUM-RGBD	2012	手持/移动机器人	室内	RGB-D相机, IMU

搜集汇总

数据集介绍

构建方式

该数据集以开源社区协作方式构建，从原始仓库分支而来，系统收集了与同步定位与地图构建（SLAM）领域相关的公开数据集。项目团队从海量SLAM数据集中精心筛选出那些提供位姿和地图信息的优质资源，并通过多维度分类体系进行组织。分类维度涵盖主题（如里程计、地图构建、地点识别）、特性（如大规模、长周期、极端条件）、平台（如车辆、移动机器人、无人机）以及环境（如城市、室内、水下）等，每个数据集均以表格形式呈现其传感器配置、年份、所属机构及发布刊物等关键元数据。

特点

该数据集集合具有高度的系统性和专业性，其核心特色在于提供多层次的精细分类体系，便于研究者按需检索。收录的数据集覆盖从2010年至2020年的经典与前沿资源，囊括KITTI、EuRoC、TUM-RGBD等业界标杆，以及UZH-FPV Drone Racing、Complex Urban等新兴数据集。每个条目详细标注了是否包含真值位姿、真值地图、IMU、GPS、语义标签、激光雷达、相机类型（RGBD/事件相机）等传感器模态，并链接至原始项目主页，构成一个结构清晰、信息完备的SLAM数据集索引图谱。

使用方法

用户可通过GitHub仓库中的简化图表或关联的Google Site项目页面访问完整版数据集目录。仓库按主题、特性、平台和环境四大类别组织导航链接，点击即可跳转至对应分类下的数据集列表。每个数据集条目均提供简短名称、所属机构、发布年份、平台类型及出版物信息，并附有指向原始数据集的超链接。研究者可根据自身需求，利用分类筛选功能快速定位符合条件的资源，再通过链接获取原始数据及详细说明文档，从而高效地开展SLAM算法评估与研究工作。

背景与挑战

背景概述

同步定位与地图构建（SLAM）作为自主导航与机器人感知领域的核心基础技术，其性能验证与算法演进高度依赖于高质量、多样化的数据集。在此背景下，awesome-slam-datasets 数据集汇总项目应运而生，该项目自2018年起由多位研究者共同维护，汇集了全球顶尖机构（如苏黎世联邦理工学院、牛津大学、卡内基梅隆大学等）所发布的SLAM相关数据集。该资源库的核心研究问题在于系统性地梳理和分类具备位姿与地图真值的数据集，涵盖从室内手持设备到城市级车辆、从无人机到水下机器人的多种平台与环境。这一数据集集合极大促进了SLAM算法的标准化评估与跨领域比较，成为学术界与工业界广泛引用的重要基准，对推动自主定位与建图技术的快速发展产生了深远影响。

当前挑战

该数据集资源库所应对的核心领域挑战在于SLAM算法的泛化性与鲁棒性评估。具体而言，现有数据集虽涵盖城市、室内、崎岖地形及水下等多种环境，但仍面临极端条件下（如光照剧变、快速运动、动态干扰）数据匮乏的难题，导致算法在真实场景中性能不稳定。此外，构建过程中挑战显著：不同数据集在传感器配置（如激光雷达、事件相机、惯性测量单元）、标定精度与真值获取方式上存在巨大差异，缺乏统一的标注协议与评价指标；同时，数据集的时效性维护困难，大量早期数据因传感器技术迭代而逐渐过时，而新数据集（如Waymo、nuScenes）的集成与分类更新工作仍显滞后，限制了资源库对前沿研究需求的即时响应能力。

常用场景

经典使用场景

在同步定位与地图构建（SLAM）领域，该数据集集合为算法评估提供了标准化的多模态基准。研究者可借助其涵盖的视觉、惯性、激光雷达等传感器数据，在室内外、城市、水下等多样化环境中验证SLAM系统的位姿估计与地图构建精度。例如，KITTI数据集常用于自动驾驶场景下的视觉里程计评测，而EuRoC则成为微型飞行器状态估计的经典测试平台。通过统一提供真实轨迹与地图真值，这些数据有效支撑了从传统滤波方法到现代深度学习SLAM的迭代演进。

衍生相关工作

该数据集集合催生了大量经典衍生工作，包括但不限于：基于KITTI的视觉里程计排行榜及其推动的ORB-SLAM系列、VINS-Mono等里程碑式算法；TUM-RGBD数据集引发的RGB-D SLAM性能竞赛，衍生出DVO、ElasticFusion等稠密重建方法；此外，Cityscapes与Oxford RobotCar的结合促成了语义SLAM方向，涌现出CNN-SLAM、LSD-SLAM等融合语义信息的定位框架。这些工作共同奠定了现代SLAM技术体系的基石。

数据集最近研究

最新研究方向

在同步定位与地图构建（SLAM）领域，数据集的研究正朝着多模态融合与极端环境适应性两大前沿方向演进。近年来，随着自动驾驶、无人机巡检及水下探测等热点应用的爆发，研究者不再满足于传统结构化场景下的定位与建图，转而关注复杂城市、高速运动及弱光照等挑战性条件。该数据集集合了如UZH-FPV Drone Racing这类融合RGB、事件相机与IMU的高速无人机数据，以及Complex Urban Dataset这类集成激光雷达与立体视觉的城区场景，充分反映了当前对多传感器协同与动态环境鲁棒性的迫切需求。同时，Aqualoc等水下数据集的出现，标志着SLAM向非结构化、退化环境拓展的趋势，为机器人自主导航在极端条件下的应用奠定了关键基准。这些前沿探索不仅推动了算法在真实世界中的泛化能力，也深刻影响着自动驾驶安全性与无人机自主作业的实用化进程。