Aerial–Marine Perception Dataset (AMP2026)

AMP2026是由麦吉尔大学等机构联合构建的多平台海洋机器人数据集，旨在解决动态海洋环境下的跨视角追踪与地图构建难题。该数据集包含来自无人机、船载相机及水下机器人的同步传感数据，涵盖盐水和淡水两种环境，数据形式包括高分辨率影像、GNSS定位及惯性测量信息。通过标准化采集流程，数据集支持对目标追踪鲁棒性和多视角地图一致性的量化评估，主要服务于海洋自主系统、环境监测及跨模态感知算法开发。AMP2026 is a multi-platform marine robotics dataset jointly constructed by McGill University and other institutions, aiming to address the challenges of cross-view tracking and map construction in dynamic marine environments. This dataset contains synchronized sensing data from unmanned aerial vehicles (UAVs), ship-borne cameras and underwater robots, covering both saltwater and freshwater environments. The data modalities include high-resolution imagery, GNSS positioning data and inertial measurement unit (IMU) information. Through a standardized data collection workflow, the dataset enables quantitative evaluation of target tracking robustness and multi-view map consistency, and primarily serves the development of marine autonomous systems, environmental monitoring and cross-modal perception algorithms.

原始信息汇总

数据集概述

基本信息

• 数据集名称: AMP2026
• 托管平台: Hugging Face
• 数据集地址: https://huggingface.co/datasets/edwinmeriaux/AMP2026

许可信息

• 许可证类型: Creative Commons Attribution 4.0 International (CC BY 4.0)

搜集汇总

数据集介绍

构建方式

海洋环境感知研究长期受制于动态水面、能见度限制及多模态传感协同的复杂性，AMP2026数据集通过多平台协同采集策略应对这一挑战。该数据集在巴巴多斯海岸盐水和魁北克淡水湖泊两类典型水域展开实地部署，整合了空中无人机、船载相机及水下机器人平台的同步数据。采集过程严格遵循标准化协议，针对追踪与测绘两大任务类别设计了五类追踪实验与两类测绘实验，确保各类序列在运动特性、环境条件与传感配置上具有充分多样性。数据记录涵盖高分辨率视觉流、GNSS定位信息及平台姿态遥测，并通过统一时间戳实现跨模态对齐，为海洋多视角感知研究提供了结构严谨、信息丰富的真实世界数据基础。

特点

AMP2026数据集的核心特点在于其多平台、多视角的同步观测能力，有效弥补了现有海洋数据集在跨空域感知协同方面的不足。数据集不仅囊括了空中、水面和水下三类传感视角，更在近半数追踪序列中提供了被追踪平台的GNSS地面真值，使得无需密集人工标注即可进行跟踪性能的定量验证。此外，数据采集覆盖盐水和淡水两种水域环境，包含了从平静水面到动态波浪、从高透明度到浑浊水质等多种真实海洋条件，显著增强了算法对折射畸变、镜面反射及光照变化的鲁棒性评估能力。其以任务为导向的组织结构，兼顾了追踪目标的运动多样性与测绘区域的时间重复观测，为复杂海洋场景下的感知算法开发与评测设立了新的基准。

使用方法

该数据集主要服务于海洋机器人视觉追踪与环境测绘两大研究方向。在追踪任务中，研究者可利用多无人机同步观测序列评估跨视角目标跟踪算法，结合GNSS真值数据量化轨迹估计精度；而对于无GNSS的序列，则侧重于研究在局部外观变化和间歇性遮挡下的长时身份保持能力。在测绘任务中，重复的地理参照观测支持多视角地图构建、时间一致性融合以及动态水面条件下的畸变补偿方法验证。数据集提供的同步姿态与定位信息便于进行传感器标定、跨平台数据对齐及三维重建，用户可依据任务需求灵活选取单一视角或融合多模态数据，推动海洋多机器人协同感知与自主导航技术的算法创新与性能评估。

背景与挑战

背景概述

海洋环境因其动态水面、有限能见度以及空中、水面和水下传感模态间的复杂交互，对感知与自主系统构成显著挑战。AMP2026数据集由麦吉尔大学、MILA等多家研究机构于2026年联合创建，旨在通过整合多平台同步观测数据，推动海洋环境中多视角目标跟踪与地图构建两大核心问题的研究。该数据集采集自巴巴多斯海岸与魁北克湖泊等多样化水域，涵盖无人机、船载相机及水下机器人等多种传感平台，并附带定位与遥测信息，为海洋机器人学与计算机视觉的交叉研究提供了宝贵的真实世界数据资源，有望弥补现有数据集中跨平台、多模态观测不足的空白。

当前挑战

AMP2026数据集致力于解决海洋环境中视觉跟踪与地图构建的固有难题。在跟踪任务中，水体表面的动态波动、空气-水界面的折射效应、镜面反射及快速变化的光照条件，导致目标外观剧烈变化与几何畸变，使得长期稳定跟踪极具挑战性。地图构建方面，时变水面条件引入几何不一致性，浅水环境中的部分目标淹没与视角依赖的可见性变化，进一步增加了跨视角地图融合与时空一致性维护的难度。数据构建过程中，在开放水域实现多平台精确时间同步、确保不同能见度与湍流条件下的数据质量一致性，以及为完全水下目标提供可靠地面真值定位，均是数据集创建面临的实际挑战。

常用场景

经典使用场景

在海洋机器人学与计算机视觉交叉领域，AMP2026数据集为多平台感知研究提供了经典范例。该数据集通过同步采集空中无人机、水面船只及水下机器人平台的视觉与定位数据，构建了一个涵盖空中、水面、水下多视角的海洋环境观测体系。其核心应用场景聚焦于复杂海洋条件下的目标跟踪与环境建图，例如利用多架无人机协同追踪水下机器人或游泳者的运动轨迹，或通过重复飞行的航拍影像重建浅海礁区的地形结构。这些场景充分体现了数据集在应对水面动态、折射效应及能见度变化等海洋特有挑战时的实用价值。

衍生相关工作

AMP2026数据集的发布催生了一系列围绕海洋多模态感知的经典研究工作。在跟踪方向，研究者基于其提供的多无人机同步观测与GNSS真值，发展了能够抵抗折射畸变与外观变化的鲁棒跟踪算法，并推动了跨视角轨迹估计方法的进步。在建图方向，该数据集支持了动态水面条件下的多视图三维重建、时序融合及失真补偿算法的创新，例如利用空中与水面平台的互补视角提升浅海地图的几何一致性。此外，数据集的结构化设计也启发了后续海洋机器人数据集的构建范式，促进了标准化评估基准在海洋感知社区的建立与普及。

数据集最近研究

最新研究方向

海洋机器人感知领域正面临动态水面、折射效应及多平台协同观测的严峻挑战。AMP2026数据集通过整合空中无人机、水面船只及水下机器人的同步多模态数据，为跨视角追踪与环境建图研究提供了关键支撑。当前前沿研究聚焦于利用该数据集开发抗折射干扰的视觉追踪算法，以应对目标部分淹没及水面波动导致的表观变异；同时，学者们致力于探索多视角海洋环境建图方法，通过时空融合技术补偿动态水面引起的几何失真，提升浅海区域三维重建的鲁棒性与一致性。该数据集亦促进了空中-水面-水下异构机器人协同感知系统的研发，为海洋监测、生态调查及自主导航等应用奠定了实证基础。

相关研究论文

• AMP2026: A Multi-Platform Marine Robotics Dataset for Tracking and Mapping

  麦吉尔大学; MILA - 魁北克人工智能研究所; 巴黎萨克雷大学·中央高等电力学院; 明尼苏达大学; 德州农工大学; 伍兹霍尔海洋研究所; 宾汉姆顿大学 · 2026年