TartanIMU Dataset

该数据集包含107.8小时的200 Hz IMU数据，覆盖177条轨迹，涉及人类、四足机器人、UGV和无人机平台。每个样本以NPZ文件提供，包含加速度计、陀螺仪、时间戳和可选的地面真实位姿数据。This dataset contains 107.8 hours of 200 Hz IMU data, including 177 trajectories collected from four platform types: humans, quadruped robots, unmanned ground vehicles (UGVs), and unmanned aerial vehicles (UAVs). Each sample is provided as an NPZ file, containing accelerometer readings, gyroscope readings, timestamps, and optional ground-truth pose data.

原始信息汇总

数据集概述：TartanIMU

• 全称：TartanIMU: A Light Foundation Model for Inertial Positioning in Robotics
• 发布会议：CVPR 2025
• 所属机构：卡内基梅隆大学（Carnegie Mellon University）

核心目的

TartanIMU 是一个面向机器人惯性定位的开源基础模型，专为仅使用 IMU（惯性测量单元）的位姿估计设计，旨在横跨多种机器人平台（如四足机器人、无人机、地面车辆、人体运动）实现泛化。

关键特性

• 跨机器人泛化：支持多种机器人形态的通用定位。
• 高效适配：通过 LoRA（低秩适应）技术，仅需 110万 可训练参数即可完成微调。
• 在线测试时自适应：支持在部署过程中实时学习，运行速度达 200 FPS。
• 性能提升：与专用基线方法相比，绝对轨迹误差（ATE）平均降低 36%。
• 稳定自适应：在适应新领域的同时，保留原有知识。

数据集细节

• 总数据量：107.8 小时 的 200 Hz IMU 数据，涵盖 177 条轨迹。
• 数据分布（按平台类型）：
  • 人体运动：31.2 小时，52 条轨迹
  • 四足机器人：28.5 小时，45 条轨迹
  • 地面车辆（UGV）：25.4 小时，42 条轨迹
  • 无人机：22.7 小时，38 条轨迹
• 数据格式：每个样本为 NPZ 文件，包含以下字段：
  • acc：加速度计数据
  • gyro：陀螺仪数据
  • timestamp：时间戳
  • pose_gt：位姿真值（可选）

资源与获取

• 模型与数据集：已发布在 Hugging Face（https://huggingface.co/Tartan-IMU/TartanIMU）。
• 项目页面：https://superodometry.com/tartanimu
• 论文：CVPR 2025 论文 PDF（见原地址仓库内文档）。
• 预发布状态：当前版本为预发布快照，完整训练、微调和部署流程即将公开。

引用方式

若使用 TartanIMU，请引用以下论文： bibtex @inproceedings{zhao2025tartan, title={Tartan IMU: A Light Foundation Model for Inertial Positioning in Robotics}, author={Zhao, Shibo and Zhou, Sifan and Blanchard, Raphael and Qiu, Yuheng and Wang, Wenshan and Scherer, Sebastian}, booktitle={Proceedings of the Computer Vision and Pattern Recognition Conference}, pages={22520--22529}, year={2025} }

搜集汇总

数据集介绍

构建方式

TartanIMU数据集由卡内基梅隆大学团队构建，旨在为机器人惯性定位提供通用基础模型。该数据集包含107.8小时、200 Hz采样的IMU数据，共177条轨迹，覆盖四足机器人、无人机、地面车辆和人体运动四种平台。数据以NPZ格式存储，每个样本提供加速度计、陀螺仪、时间戳以及可选的位姿真值，确保了多样化的运动模式与丰富的传感器数据。

特点

该数据集的核心特点在于跨机器人平台的泛化能力，涵盖从人体到多足机器人的多种形态。通过仅需1.1M可训练参数的LoRA微调实现高效适应，并在部署时支持200 FPS的在线测试时间自适应，实时学习新环境。相比专门化基线，绝对轨迹误差降低36%，且自适应过程稳定，能够保留先验知识同时适应新领域。

使用方法

研究者可从Hugging Face平台获取预训练模型及数据集，利用NPZ文件中的加速度与角速度数据进行训练与评估。推荐采用LoRA策略进行高效微调，将模型适配至特定机器人平台。对于实时应用，可启用在线测试时间自适应功能，在200 FPS下持续优化位姿估计。完整训练与部署管道将随项目更新逐步公开。

背景与挑战

背景概述

惯性定位技术作为自主导航系统的核心支柱，在机器人领域中占据着举足轻重的地位。然而，传统基于惯性测量单元（IMU）的定位方法普遍受限于传感器漂移与跨平台泛化能力不足的困境，难以在多样化的机器人形态中实现高精度且稳定的位姿估计。为应对这一挑战，卡内基梅隆大学的研究团队于2025年创造性地推出了TartanIMU数据集及其配套的轻量级基础模型。该数据集汇聚了涵盖人形机器人、四足机器人、地面无人车与无人机等四大类平台，总计超过107.8小时、177条轨迹的高频（200 Hz）IMU实测数据。这一里程碑式的工作不仅为惯性定位研究提供了跨机器人形态的标准化基准，更通过仅需110万可训练参数的低秩适配（LoRA）微调范式，显著降低了模型部署的门槛，将绝对轨迹误差平均降低了36%，在机器人定位领域树立了新的标杆。

当前挑战

TartanIMU数据集所解决的领域核心挑战在于惯性传感器固有的漂移累积与不同机器人平台间巨大的动力学差异。传统IMU定位模型往往针对单一平台设计，难以在四足动物的冲击性步态、无人机的剧烈机动或人形机器人的复杂姿态间实现普适性泛化，这迫使研究者不得不为每种平台分别训练专用模型，耗费大量资源。在数据集构建过程中，团队面临了严苛的技术挑战：如何在不同平台（如微型无人机与重型地面车）上同步采集高精度IMU数据与六自由度位姿真值，并确保在长达107.8小时的数据中维持传感器标定的一致性。此外，跨平台数据分布的巨大差异——从秒级漂移到剧烈振动——对模型的在线自适应能力提出了极高要求，促使团队开发出支持200 FPS实时推理的测试时适应机制，在保持已有知识的同时稳定吸收新域特征，这构成了本领域最前沿的技术攻坚方向。

常用场景

经典使用场景

在机器人学与自主导航领域，惯性测量单元（IMU）的位姿估计是至关重要却充满挑战的任务。TartanIMU数据集专为跨平台惯性定位而设计，其经典使用场景涵盖四足机器人、无人机、地面车辆及人体运动等多种平台。研究者可利用该数据集训练或微调基于IMU的位姿估计模型，通过仅使用加速度计和陀螺仪数据，在缺乏外部定位信号（如GPS或视觉线索）的复杂环境中实现连续、鲁棒的轨迹推算。该数据集长达107.8小时、涵盖177条轨迹的高保真IMU数据，为构建通用型惯性定位基础模型提供了丰富的训练与评估基准。

实际应用

在实际工业与消费级应用中，TartanIMU数据集驱动着诸多关键场景的落地。例如，在地下矿井、隧道、室内仓库等GPS拒止环境下，搭载该数据集预训练模型的移动机器人可依赖低成本IMU实现可靠的自治导航。在四足机器人领域，该技术被用于灾后搜救行动中的连续定位；在无人机集群中，支持无外源定位时的编队飞行。此外，在增强现实（AR）头显和可穿戴设备中，人体运动惯性追踪的精准度因该数据集的跨平台预训练模型而显著提升，为沉浸式交互奠定了坚实基础。

衍生相关工作

TartanIMU数据集的出现催生了一系列衍生性经典工作。其提出的轻量化基础模型与高效LoRA微调策略，启发了后续在低功耗嵌入式系统上部署惯性导航算法的新方向。研究者在此基础上扩展出融合视觉-惯性信息的跨模态定位系统，利用该数据集的惯性先验提升视觉SLAM在快速运动场景下的鲁棒性。同时，在线自适应机制被借鉴到其他传感器（如轮速计、激光雷达）的校准与自监督学习任务中。该数据集还成为评估新型IMU去噪算法、事件相机-IMU融合方案的标准基准平台，进一步拓宽了惯性感知研究的边界。