Awesome GINS Dataset

这是一个用于GNSS/INS集成应用的车辆GINS数据集，其最大特点是包含了四种不同级别的MEMS IMU，为研究人员全面评估算法提供了机会。数据集在开阔天空的工业区域采集，GNSS RTK信号良好，总持续时间为1617秒，包含原始IMU数据、GNSS RTK定位结果以及每个IMU的地面真值。This is a vehicle GINS dataset for GNSS/INS integration applications. Its most notable feature is the inclusion of four different grades of MEMS IMUs, providing researchers with the opportunity to comprehensively evaluate relevant algorithms. The dataset was collected in an open-sky industrial area with excellent GNSS RTK signals, with a total duration of 1617 seconds, and contains raw IMU data, GNSS RTK positioning results, and the ground truth for each IMU.

原始信息汇总

数据集概述

该数据集由武汉大学多源智能导航实验室（i2Nav Group）提供，专为GNSS/INS组合导航应用设计。其最大特点是包含了四种不同等级的MEMS惯性测量单元（IMU），为研究人员全面评估算法提供了基础。

• 采集环境：开阔天空的工业区，GNSS RTK信号良好。
• 数据时长：总计1617秒。
• 数据内容：包含原始IMU数据、GNSS RTK定位结果以及每个IMU对应的真值。

传感器配置

1. 惯性测量单元 (IMU)

数据集包含以下四种MEMS IMU，涵盖了消费级和工业级模块：

IMU	描述	厂商	陀螺仪零偏不稳定性 (Allan方差) [度/小时]
ICM20602	消费级芯片	InvenSense	10.0
ADIS16460	工业级模块	Analog Devices Inc.	8.0
ADIS16465	工业级模块	Analog Devices Inc.	2.0
HGuide-i300	工业级模块	Honeywell	3.0

数据集中还提供了通过参数调优得到的各IMU参考噪声参数，用于建立IMU噪声模型。

IMU	角度随机游走 [度/√小时]	速度随机游走 [米/秒/√小时]	陀螺仪零偏标准差 [度/小时]	加速度计零偏标准差 [毫伽]	相关时间 [小时]
ICM20602	0.2	0.2	200	1000	1
ADIS16460	0.2	0.1	20	100	1
ADIS16465	0.1	0.1	25	200	1
HGuide-i300	0.2	0.2	15	150	1

2. 安装参数

• IMU坐标系：前-右-下 (FRD)。
• GNSS坐标系统：WGS-84椭球模型。
• GNSS天线杆臂（在IMU系 FRD下）：
  • ICM20602: -0.073, 0.302, 0.087 米
  • ADIS16460: 0.045, 0.46, -0.238 米
  • ADIS16465: -0.073, 0.302, 0.087 米
  • HGuide-i300: -0.075, 0.46, -0.218 米

文件格式

数据集包含三种类型的文本文件：

1. IMU数据文件 (*.txt)：包含7列，记录了GNSS周内秒和三个轴的角增量（弧度）及速度增量（米/秒）。
2. GNSS定位结果文件 (*.pos)：包含7列，记录了GNSS周内秒、地理经纬度、椭球高以及各方向的标准差（米）。
3. 真值文件 (*.nav)：包含11列，记录了GNSS周和周内秒、地理坐标、三轴速度（米/秒）以及横滚、俯仰、航向姿态角（度）。

相关出版物

如需引用该数据集，请参考以下论文：

• Hailiang Tang, Tisheng Zhang, Xiaoji Niu, Jing Fan, and Jingnan Liu, “Impact of the Earth Rotation Compensation on MEMS-IMU Preintegration of Factor Graph Optimization,” IEEE Sensors Journal, 2022.

搜集汇总

数据集介绍

构建方式

该数据集由武汉大学多源智能导航实验室精心采集，旨在服务于GNSS/INS紧组合导航研究。数据采集于一片开阔的工业区域，该环境下GNSS RTK信号质量优良，为获取高精度定位参考提供了可靠保障。整个数据集时长1617秒，同步记录了原始IMU数据、GNSS RTK定位结果以及各IMU对应的真实轨迹真值。为构建多层次评估基准，数据集集成了四款不同等级的MEMS IMU，涵盖消费级芯片ICM20602与工业级模块ADIS16460、ADIS16465及HGuide-i300，并提供了经由参数调优获得的各IMU噪声模型参数，包括角度随机游走、速度随机游走及偏置稳定性等关键指标。

特点

此数据集的核心特色在于其多IMU异构性与完备的噪声标定参数。四款MEMS IMU在陀螺零偏稳定性上跨度显著，从消费级的10度/小时到工业级的2度/小时，为研究者提供了在同一运动轨迹下对比不同精度层级传感器性能的独特平台。数据集不仅提供了原始角增量与速度增量，还给出了GNSS天线杆臂精确值及IMU坐标系定义（前-右-下），确保了数据处理的准确性。此外，所有IMU的噪声参数均以高斯白噪声和一阶高斯马尔可夫模型形式给出，极大便利了滤波算法中的噪声协方差设置，使算法评估更加严谨与公平。

使用方法

数据集以标准文本文件格式提供，便于直接解析与使用。IMU数据文件包含GNSS周内秒及三轴角增量与速度增量；GNSS定位结果文件提供了WGS-84坐标系下的经纬度、高程及其标准差；真值文件则包含了完整的位置、速度与姿态信息。研究者可依据自身算法需求，灵活选取特定IMU数据，结合提供的杆臂参数与噪声模型进行GNSS/INS松组合或紧组合导航解算。数据集的公开引用格式及关联论文已明确给出，便于学术成果的规范标注与溯源。

背景与挑战

背景概述

全球导航卫星系统与惯性导航系统（GNSS/INS）的深度融合已成为高精度定位领域的关键技术，广泛应用于自动驾驶、无人机导航及移动测绘等场景。为系统评估不同精度等级的微机电惯性测量单元（MEMS IMU）在组合导航中的性能，武汉大学多源智能导航实验室（i2Nav Group）的唐海亮、牛小骥和张提升等研究人员于2022年发布了Awesome GINS数据集。该数据集在开阔工业区采集，时长1617秒，包含四款不同级别的MEMS IMU（从消费级ICM20602到工业级HGuide-i300）的原始数据、GNSS RTK定位结果及高精度真值，为研究人员提供了统一的算法评估基准。数据集所支撑的论文探讨了地球自转补偿对因子图优化中MEMS-IMU预积分的影响，对推动低成本组合导航算法的发展具有重要参考价值。

当前挑战

该数据集所解决的领域核心挑战在于，不同精度等级的MEMS IMU在GNSS信号良好与受限场景下的鲁棒融合问题。具体而言，低精度IMU（如ICM20602）的陀螺偏置稳定性较差（10 deg/hr），在长时间GNSS中断时，纯惯性推算的误差累积迅速，对滤波器的异常检测与重收敛能力提出严苛要求。构建过程中的挑战则涉及多传感器时空同步与标定：需精确测量各IMU相对于GNSS天线的杆臂（lever-arm）参数（如ICM20602的杆臂为-0.073, 0.302, 0.087米），并在动态环境下验证其一致性。此外，为每个IMU提供准确的噪声参数（如角度随机游走、速度随机游走及偏置相关时间），需通过长时间静态数据采集与Allan方差分析进行参数调优，这一过程对实验环境和数据处理流程的可靠性要求极高。

常用场景

经典使用场景

在惯性导航与卫星导航深度融合的学术探索中，Awesome GINS Dataset凭借其同时涵盖消费级与工业级四款不同精度MEMS惯性测量单元（IMU）的独特设计，成为评估GNSS/INS组合导航算法鲁棒性与适应性的标杆数据集。经典使用场景聚焦于基于因子图优化的多源传感器融合框架，研究者可利用该数据集中的原始IMU增量数据与GNSS RTK定位结果，系统性地验证地球自转补偿对MEMS-IMU预积分精度的提升效果，并对比不同等级IMU在开阖天空环境下的导航性能差异。该数据集提供的标准化噪声参数与真值轨迹，为算法精度标定、误差模型验证及滤波器参数调优提供了不可多得的基准平台。

解决学术问题

该数据集精准回应了组合导航领域长期存在的核心学术困境：如何在不同精度等级的MEMS-IMU条件下，实现GNSS中断期间的高可靠姿态与位置推算。通过提供四种IMU的同步观测数据与严格标定的安装参数，它有效解决了因子图优化中IMU预积分模型对地球自转敏感性的量化分析难题，以及随机噪声与偏差漂移的联合估计问题。其意义在于打破了以往研究依赖单一IMU等级或仿真数据的局限，为建立多层级传感器统一评估体系奠定了实验基础，推动了从理论推导到实际验证的范式转换，显著提升了组合导航算法在复杂动态环境中的泛化能力。

衍生相关工作

围绕该数据集已衍生出一系列具有影响力的学术工作，其中最具代表性的是Hailiang Tang等人发表于《IEEE Sensors Journal》的论文，该工作首次系统论证了地球自转补偿对MEMS-IMU预积分在因子图优化中的关键作用，并基于本数据集验证了不同等级IMU对算法性能的影响。此外，该数据集还激发了关于多传感器时空同步误差建模、自适应噪声协方差估计以及基于深度学习的IMU偏置预测等方向的研究。这些衍生工作不仅深化了对MEMS-IMU误差机理的理解，还催生了诸如动态杠杆臂补偿、非高斯噪声鲁棒滤波等创新方法，进一步拓展了GNSS/INS融合技术的理论边界。