ConPR

ConPR数据集由首尔国立大学的机械工程系创建，专注于一个活跃的建筑工地，用于多会话地点识别。该数据集包含12个序列，每个序列捕捉不同日期的建筑进度，涵盖多种环境如车道、楼梯和狭窄的森林道路。数据集包括RGB图像、LiDAR点云数据和IMU数据，支持视觉和LiDAR基础的地点识别技术，并提供基于范围的地点识别评估的地面真实信息。该数据集旨在推动在动态和挑战性环境中的地点识别算法的发展。

The ConPR Dataset was developed by the Department of Mechanical Engineering at Seoul National University, focusing on an active construction site for multi-session place recognition. It contains 12 sequences, each capturing construction progress on different dates, covering various environments such as driveways, staircases, and narrow forest roads. The dataset includes RGB images, LiDAR point cloud data, and IMU data, which supports visual and LiDAR-based place recognition technologies, and provides ground truth information for range-based place recognition evaluation. This dataset aims to advance the development of place recognition algorithms in dynamic and challenging environments.

原始信息汇总

ConPR: Ongoing Construction Site Dataset for Place Recognition

数据集

在建工地数据集

我们的数据集包括从建筑工地周围区域收集的各种数据，展示了正在进行的建筑过程。这使得研究人员能够在动态环境中评估地点识别算法，这些环境具有不断变化的条件下。

传感器配置

手持系统配备单目相机和3D固态激光雷达用于采集传感器数据。此外，我们还附加了IMU和GPS，以便用于其他目的（例如，视觉惯性里程计，激光雷达惯性里程计）。

传感器	制造商	型号	描述	频率
RGB相机	Intel	RealSense D435i	全局快门RGB-D相机，分辨率(640,480)	30Hz
3D激光雷达	Livox	Mid-70	扫描激光雷达，圆形视场70.4度	10Hz
IMU	MicroStrain	3DM-GX5-AHRS	高性能姿态和航向参考系统	250Hz
GPS	u-blox	ZED-F9P	多频段GNSS接收器，提供厘米级精确姿态	10Hz

数据格式

ConPR ├─Calibration │ calibration_cam.yaml │ calibration_gps.yaml │ calibration_imu.yaml │ calibration_lidar.yaml │ cameraParameter.txt │ report.pdf │ └─YYYYMMDD │ data_stamp.csv │ pose.csv │ imu.csv │ ├─Camera │ TIME_STAMP.png │ └─LiDAR TIME_STAMP.bin

• RGB相机
  • 以30Hz采集的单目图像存储在Camera文件夹中。每个图像以其时间戳命名。
• 3D激光雷达
  • 3D激光雷达数据以浮点二进制格式存储在LiDAR文件夹中。每个二进制文件以其时间戳命名。
  • 数据格式遵循Livox自定义点云格式。更多详细信息，请参阅链接。
• IMU
  • imu.csv存储由IMU传感器测量的方向、角速度和线性加速度数据。
  • [时间戳, 四元数x, 四元数y, 四元数z, 四元数w, 角速度x, 角速度y, 角速度z, 线性加速度x, 线性加速度y, 线性加速度z]
• 姿态（SLAM + GPS）
  • 由于存在众多高层建筑，RTK功能不正常，而原始GPS在通过桥梁下方时遇到困难。此外，户外环境阻止我们使用激光扫描仪生成地面真实数据。
  • 因此，我们提供了代表手持系统路径的位置作为本地IMU坐标系中的地面真实信息，使用SLAM生成。
  • 每个序列的位置使用FAST-LIO2生成，然后使用GPS测量和G-ICP转换为参考IMU框架，仅利用静态区域。
  • 地面真实信息可以在pose.csv中找到。
  • [时间戳, x, y, z]
• DataStamp
  • data_stamp.csv提供所有传感器数据的时间戳和名称顺序。
  • 文件播放器需要data_stamp.csv按顺序发布传感器数据。
• 校准数据
  • 传感器之间的校准结果存储在Calibration文件夹中。

下载

下载链接

引用

如果您使用我们的数据集进行项目，请引用我们的论文。

@inproceedings{ lee2023conpr, title={Con{PR}: Ongoing Construction Site Dataset for Place Recognition}, author={Dongjae LEE and Minwoo Jung and Ayoung Kim}, booktitle={IROS 2023 Workshop on Closing the Loop on Localization: What Are We Localizing For, and How Does That Shape Everything We Should Do?}, year={2023}, url={https://openreview.net/forum?id=I0gHRlQ5Xb} }

许可证

数据集

本页面上的所有数据集均由SNU RPM Labs版权所有，并根据<a href="https://creativecommons.org/licenses/by-nc-sa/4.0/">Creative Commons Attribution-NonCommercial-ShareAlike 4.0 License</a>发布。您必须以作者指定的方式归因作品。您不得将作品用于商业目的，并且如果您更改、转换或创作作品，则只能以相同的许可证分发结果作品。

代码

此代码根据MIT许可证的条款进行许可。有关许可证权利和限制，请参阅LICENSE文件。

搜集汇总

数据集介绍

构建方式

ConPR数据集的构建基于一个活跃的建筑工地，通过多次数据采集捕捉建筑进程的动态变化。数据集包括多个序列，每个序列在不同日期记录建筑进展，确保了数据的时间连续性和空间一致性。传感器配置包括单目相机、3D固态LiDAR、IMU和GPS，通过精确的传感器校准确保数据质量。此外，数据集还提供了基于FAST-LIO2和GPS的地面真值位置，以支持基于范围的地点识别评估。

特点

ConPR数据集的显著特点在于其对动态环境的捕捉能力，包括建筑工地的空间动态变化、光照条件和视角的多样性。数据集不仅包含RGB图像和LiDAR点云数据，还提供了IMU数据，支持视觉和LiDAR基础的地点识别技术，并促进传感器融合。此外，数据集中的夜间序列和动态对象（如车辆、行人、建筑设备）的存在，增加了地点识别算法的挑战性和实际应用价值。

使用方法

ConPR数据集适用于多种地点识别算法的评估和开发，特别是在动态和变化频繁的环境中。研究人员可以利用数据集中的多模态数据（图像、点云、IMU）进行视觉和LiDAR基础的地点识别实验，并通过传感器融合提升识别性能。数据集提供的地面真值信息允许定量分析算法的准确性和鲁棒性。此外，数据集的开源性质（https://github.com/dongjae0107/ConPR）便于全球研究者访问和使用，推动地点识别技术的发展。

背景与挑战

背景概述

在计算机视觉与机器人技术的交叉领域中，地点识别（Place Recognition）作为一项基础任务，旨在识别和确认先前访问过的地点。随着城市建设和基础设施维护的持续进行，地形和环境的变化对地点识别算法提出了新的挑战。ConPR数据集由首尔国立大学的Dongjae Lee、Minwoo Jung和Ayoung Kim等人创建，专注于从活跃的建筑工地中捕捉多时段的地点识别数据。该数据集不仅记录了建筑进程，还整合了RGB图像、LiDAR点云数据和IMU数据，为视觉和LiDAR基的地点识别技术提供了丰富的资源。ConPR数据集的发布，标志着在动态环境中评估地点识别算法的重要进展，特别是在考虑地形变化和传感器融合方面。

当前挑战

ConPR数据集在构建过程中面临多项挑战。首先，动态对象如车辆、行人和建筑设备的存在增加了数据处理的复杂性。其次，光照条件和视角的变化进一步加剧了地点识别的难度。此外，数据集的构建需要精确的传感器校准和多源数据的同步，以确保数据的一致性和可用性。夜间采集的数据和运动模糊问题也为算法评估带来了额外的挑战。这些因素共同构成了ConPR数据集在推动地点识别技术发展中的关键障碍，同时也为未来的研究提供了丰富的探索空间。

常用场景

经典使用场景

在计算机视觉和机器人领域，ConPR数据集的经典使用场景主要集中在多会话地点识别任务中。该数据集通过捕捉建筑工地的持续变化，提供了丰富的RGB图像、LiDAR点云数据和IMU数据，使得研究人员能够在动态环境中评估和优化地点识别算法。这些数据不仅涵盖了建筑物的建设过程，还包括了车辆、行人等动态对象的存在，以及光照和视角的变化，为算法在复杂环境中的鲁棒性提供了全面的测试平台。

解决学术问题

ConPR数据集解决了现有地点识别数据集在处理地形变化方面的不足。传统数据集主要关注季节性和天气变化，而忽视了城市建设和维修活动带来的地形和外观变化。ConPR通过提供建筑工地的多会话数据，使得研究人员能够开发和验证在动态环境中表现优异的地点识别算法。这不仅推动了计算机视觉和机器人技术的发展，还为基础设施老化和城市维修背景下的实际应用提供了技术支持。

衍生相关工作

ConPR数据集的发布激发了一系列相关研究工作。例如，研究人员利用该数据集开发了新的视觉和LiDAR融合算法，以提高地点识别的准确性和鲁棒性。此外，基于ConPR的动态环境特性，一些研究还探索了如何在变化频繁的环境中实现高效的SLAM（同步定位与地图构建）技术。这些衍生工作不仅扩展了ConPR的应用范围，还为计算机视觉和机器人领域的进一步研究提供了新的方向。