AIR

AIR数据集是由立陶宛维尔纽斯大学数据科学与数字技术研究所创建的，旨在为基于地图的定位系统提供一个基准测试平台。该数据集包含超过100,000张从Gazebo机器人模拟器捕获的航空图像，覆盖城市和森林环境，总飞行距离超过33公里。数据集的创建涉及使用正射地图作为地面平面，并在不同海拔高度执行三种不同的飞行轨迹。AIR数据集不仅适用于基于地图的系统，还可用于无地图和地图构建系统，如视觉测距、光学流和SLAM系统，以评估高海拔（100-3000米）无人机定位的准确性。

The AIR dataset was created by the Institute of Data Science and Digital Technologies, Vilnius University, Lithuania, with the goal of serving as a benchmark platform for map-based localization systems. This dataset includes over 100,000 aerial images captured via the Gazebo robot simulator, covering both urban and forest environments, and has a total flight distance exceeding 33 kilometers. The construction of the AIR dataset utilized orthophotos as the ground plane, and executed three distinct flight trajectories at varying altitudes. Beyond map-based systems, the AIR dataset is applicable to map-free and mapping systems such as visual odometry, optical flow, and SLAM systems, for assessing the localization accuracy of unmanned aerial vehicles (UAVs) at high altitudes ranging from 100 to 3000 meters.

搜集汇总

数据集介绍

构建方式

在无人机高精度定位研究领域，模拟数据集为算法验证提供了可控且可复现的环境。AIR数据集通过Gazebo机器人仿真平台构建，利用美国地质调查局的国家农业影像计划提供的正射影像地图作为地面纹理，模拟了无人机在200米与300米高度下的飞行。数据集涵盖了城市与森林两种典型环境，并设计了直线、矩形和圆形三种飞行轨迹，以覆盖多样化的飞行场景。图像采集通过定制软件服务实现，以50赫兹的频率捕获下视相机影像，同时记录飞行姿态、地理位置等元数据，最终形成包含超过11万张图像、总飞行距离达33公里的综合性数据集。

使用方法

研究人员可利用AIR数据集对地图定位、视觉里程计及SLAM算法进行系统化评估。数据集以分场景压缩包形式提供，包含JPEG格式图像、飞行计划文件及CSV元数据文件。用户可通过解析元数据中的经纬度、姿态及SVO估计位姿，与算法输出结果进行定量对比。数据集兼容机器人操作系统，并提供了专门的发布节点，便于在ROS环境中快速集成与测试。其多轨迹、多高度的设计支持算法在不同飞行状态下的性能分析，尤其适用于高海拔GPS拒止环境下定位系统的开发与验证。

背景与挑战

背景概述

随着消费级和商用无人机日益普及，GPS拒止环境下的无人机导航问题愈发受到关注。GPS信号易受干扰或欺骗，导致依赖无线电信号的定位系统失效，而惯性导航系统成本高昂，因此基于视觉的定位方法成为经济有效的替代方案。在此背景下，维尔纽斯大学数据科学与数字技术研究所的Rokas Jurevičius与Virginijus Marcinkevičius于2019年创建了AIR数据集，旨在解决高海拔（100-3000米）无人机飞行中地图定位算法缺乏公开基准数据的问题。该数据集通过机器人模拟器Gazebo生成，包含超过11万张下视视角的航空图像，覆盖城市与森林环境，总飞行距离超过33公里，为地图定位、视觉里程计和SLAM算法提供了标准化评估平台，推动了GPS拒止环境下视觉导航研究的发展。

当前挑战

AIR数据集致力于解决高海拔无人机地图定位领域的核心挑战，即缺乏大规模、多样化的公开基准数据以支持算法性能比较与优化。在构建过程中，研究团队面临多重挑战：首先，模拟环境需精确复现真实飞行条件，包括使用美国地质调查局的正射影像地图作为地面纹理，并确保相机视角、姿态与运动失真符合实际飞行特征；其次，数据集需满足多场景需求，涵盖不同轨迹（直线、矩形、圆形）、环境（城市、森林）和海拔，以测试算法在纹理丰富与稀疏情况下的鲁棒性；此外，图像采集频率需达到50帧/秒以支持视觉里程计分析，同时整合元数据如地理位置、姿态信息，并添加高斯噪声以增强真实性，这些要求增加了数据生成与处理的复杂性。

常用场景

经典使用场景

在无人机视觉导航领域，AIR数据集作为高海拔飞行场景下的基准测试工具，广泛应用于地图匹配定位算法的性能评估。该数据集通过模拟城市与森林环境中的不同飞行轨迹，提供了超过十万张下视相机图像，覆盖33公里飞行距离，为研究人员验证视觉里程计、SLAM系统及地图注册算法在GPS拒止条件下的鲁棒性提供了标准化平台。其高帧率图像序列与多轨迹设计，尤其适用于测试闭环检测与长期漂移校正等关键导航功能。

解决学术问题

AIR数据集主要解决了高海拔无人机视觉定位研究中公开数据缺失的瓶颈问题。以往研究依赖小规模自定义数据集或真实飞行测试，导致算法对比困难且泛化能力不足。该数据集通过大规模仿真数据，为地图匹配定位系统提供了统一基准，支持对算法在纹理稀疏环境、地图时效性差异及复杂机动场景下的性能量化分析，显著提升了视觉导航领域方法验证的可靠性与可重复性。

实际应用

在实际工程层面，AIR数据集可直接用于无人机自主导航系统的前期开发与仿真验证。例如，在军事侦察、灾害监测或物流配送等GPS受限场景中，研发团队可利用该数据集训练视觉定位模型，优化图像匹配与运动估计算法，降低真实飞行测试成本与风险。其提供的ROS兼容接口进一步简化了系统集成流程，加速了从仿真环境到实际部署的技术转化。

数据集最近研究

最新研究方向

在无人机视觉导航领域，GPS拒止环境下的高精度定位一直是研究热点。AIR数据集作为目前最大的公开高海拔无人机下视相机图像数据集，为地图基准定位系统提供了标准化的评估基准。该数据集通过模拟飞行生成超过11万张图像，覆盖城市与森林环境、多种轨迹与海拔高度，总飞行距离超过33公里，有效解决了以往研究中因缺乏公开数据而依赖自定义小规模数据集的问题。当前前沿研究聚焦于利用AIR数据集推动基于深度学习的图像配准算法、视觉里程计与SLAM系统在高海拔场景下的性能优化，同时促进地图匹配、闭环检测等技术的鲁棒性验证。该数据集的发布不仅加速了GPS拒止导航算法的开发与比较，还为跨环境、长距离的无人机自主飞行研究提供了关键支撑。

相关研究论文

• A data set of aerial imagery from robotics simulator for map-based localization systems benchmark

  数据科学与数字技术研究所 · 2019年