Robotic Total Stations Ground Truthing dataset (RTS-GT)

RTS-GT数据集是由加拿大拉瓦尔大学北方机器人实验室创建的，旨在为定位研究提供高质量的六自由度地面实况轨迹。该数据集通过使用三台机器人全站仪（RTS）跟踪移动机器人平台来生成轨迹，涵盖了超过49公里的轨迹，是目前最全面的基于RTS的测量数据集。数据集不仅包括轨迹数据，还提供了每个实验的姿态精度，这在当前的SLAM数据集中是罕见的。RTS-GT数据集适用于各种环境，包括校园、森林和地下隧道，旨在解决SLAM算法评估中的精度和可重复性问题。

The RTS-GT dataset was created by the Northern Robotics Laboratory at Laval University, Canada, aiming to provide high-quality 6-degree-of-freedom (6DoF) ground truth trajectories for localization research. This dataset generates trajectories by tracking mobile robotic platforms using three robotic total stations (RTS), covering over 49 kilometers of trajectory data, making it currently the most comprehensive RTS-based survey dataset. In addition to trajectory data, the dataset also provides the pose accuracy of each experiment, which is rare among current SLAM datasets. The RTS-GT dataset is suitable for various environments including campuses, forests, and underground tunnels, and is designed to address the accuracy and reproducibility issues in SLAM algorithm evaluation.

搜集汇总

数据集介绍

构建方式

在同步定位与建图（SLAM）算法评估领域，高精度地面真值轨迹的获取始终是核心挑战。RTS-GT数据集通过创新性地部署三台全站仪（RTS）系统，实现了动态六自由度轨迹的毫米级精度采集。数据收集历时17个月，涵盖校园、隧道与森林等多种环境，累计轨迹长度超过49公里。构建过程中，每台RTS追踪一个主动棱镜，通过LoRa通信协议将数据实时传输至主控单元，并结合严格的温度适应、设备调平与校准流程，确保了测量的一致性与可靠性。

特点

该数据集的核心特点在于其提供了基于多全站仪系统的动态六自由度地面真值轨迹，这在现有公开数据集中尚属首次。相较于广泛采用的GNSS辅助惯性导航系统，RTS系统在多种环境下的测量稳定性高出22倍，中位精度达到约4.5毫米。此外，数据集不仅包含丰富的传感器数据（如激光雷达、IMU及编码器），还首次提供了每个位姿的精度估计，从而支持对SLAM算法性能进行无偏评估。其覆盖的多样天气条件与复杂地形进一步增强了数据集的代表性与挑战性。

使用方法

研究人员可利用该数据集进行SLAM算法的开发与验证。数据集以ROS 2 rosbag格式提供，包含激光雷达点云、IMU原始数据及编码器信息，并附有传感器外参标定结果。用户可通过配套的工具箱代码处理数据，将算法输出的轨迹与RTS或GNSS生成的高精度地面真值进行对比。特别地，数据集提供的位姿精度信息允许对算法误差进行统计分析，而不同环境下的实验数据有助于评估算法在复杂场景中的鲁棒性。

背景与挑战

背景概述

在机器人同步定位与建图（SLAM）算法评估领域，高精度地面真值轨迹的获取始终是推动算法发展的核心需求。由拉瓦尔大学北方机器人实验室的Maxime Vaidis等人于2024年提出的RTS-GT数据集，旨在通过三台全站仪系统生成六自由度动态轨迹，以弥补现有数据集中地面真值精度不足、缺乏不确定性量化以及环境多样性有限的缺陷。该数据集历时17个月采集，涵盖校园、森林及隧道等多种场景，轨迹总长超过49公里，并首次提供了每个位姿的精度信息，为SLAM算法在复杂室外环境中的毫米级精度评估设立了新标准。

当前挑战

RTS-GT数据集致力于解决SLAM算法评估中高精度六自由度地面真值轨迹生成的难题，其核心挑战在于克服传统方法如全球导航卫星系统在信号遮挡、多路径效应下的不稳定性，以及单一全站仪仅能提供三维位置信息的局限性。在构建过程中，研究团队面临了多重技术障碍：包括全站仪在深雪环境下的调平困难、透镜污染导致的跟踪性能下降、平台振动引发的厘米级误差，以及多传感器时间同步与数据插值引入的精度损失。这些挑战凸显了在动态、非结构化环境中实现可靠地面真值采集的复杂性。

常用场景

经典使用场景

在同步定位与建图（SLAM）算法的评估与基准测试领域，RTS-GT数据集以其高精度的六自由度地面真值轨迹而著称。该数据集通过部署三台全站仪系统，在校园、森林和隧道等多种复杂环境中采集了超过49公里的轨迹数据，为SLAM算法提供了毫米级精度的动态参考轨迹。其经典应用场景在于为视觉、激光雷达和惯性测量单元等多传感器融合算法提供可靠的性能验证平台，尤其在需要应对恶劣天气和动态遮挡的户外环境中，该数据集能够有效检验算法的鲁棒性与准确性。

解决学术问题

RTS-GT数据集主要解决了SLAM研究中地面真值轨迹精度不足和可靠性有限的问题。传统数据集常依赖全球导航卫星系统（GNSS）或运动捕捉系统，前者在复杂环境中易受信号干扰，后者则难以在户外大范围部署。该数据集通过全站仪系统生成动态六自由度轨迹，并首次提供了每个位姿的精度估计，从而支持对厘米级甚至毫米级精度SLAM算法的公平比较。这一贡献推动了高精度定位技术的发展，并为算法在极端环境下的性能评估设立了新标准。

衍生相关工作

RTS-GT数据集衍生了一系列经典研究工作，主要集中在高精度地面真值生成和SLAM算法优化领域。例如，基于该数据集的精度分析方法被应用于全站仪系统的不确定性建模，推动了动态轨迹估计的理论进展。同时，许多SLAM基准测试利用其提供的六自由度轨迹，开发了针对多传感器融合和长期定位的新算法。这些工作不仅扩展了数据集的学术影响力，还为机器人定位技术的实际部署提供了重要参考。