ALITA

arXiv2022-09-10 更新2024-07-30 收录

下载链接：

https://github.com/MetaSLAM/ALITA

下载链接

链接失效反馈

官方服务：

资源简介：

该数据集包括校园规模和城市规模的轨迹，用于移动定位中的长期位置识别。校园轨迹关注长期属性，记录了10条轨迹上的激光雷达设备和全方位摄像头，每条轨迹在不同光照条件下重复记录8次。城市轨迹关注大规模属性，车辆上安装激光雷达设备，穿越120公里的轨迹，包含开放街道、住宅区、自然地形等。数据集提供了200小时的原始数据，涵盖城市环境中的各种场景，并提供了基于全球定位系统的地面实况位置和点云精炼。

This dataset comprises campus-scale and city-scale trajectories for long-term place recognition in mobile localization. The campus-scale trajectories focus on long-term characteristics, with LiDAR devices and omnidirectional cameras deployed on 10 routes, and each trajectory is repetitively recorded 8 times under different lighting conditions. The city-scale trajectories target large-scale characteristics: LiDAR devices are mounted on vehicles traversing a 120-kilometer trajectory covering various scenarios including open streets, residential areas, natural terrain, and more. The dataset provides 200 hours of raw data encompassing diverse urban environments, alongside GPS-based ground truth locations and point cloud refinement.

创建时间：

2022-05-22

原始信息汇总

ALITA 数据集概述

数据集描述

ALITA 数据集由两个子数据集组成：

Urban Dataset（城市数据集）:
- 专注于城市环境中大规模区域的 LiDAR 地点识别。
- 收集了 50 条车辆轨迹，覆盖了匹兹堡的部分区域，包含多样化的环境。
- 每条轨迹至少在一个路口与其他轨迹重叠，有些轨迹甚至有多个重叠路口。
- 适用于 LiDAR 地点识别和多地图融合等任务。
Campus Dataset（校园数据集）:
- 专注于使用全方位摄像头在户外校园环境中进行 UGV 视觉定位。
- 收集了 80 条真实世界的 UAV 序列，使用配备 360 摄像头、Velodyne VLP-16 LiDAR、RealSense VIO 和 Xsens MTI IMU 的漫游机器人。
- 包含 10 条不同的轨迹，每条轨迹遍历 8 次，包括前进/后退方向和白天/黄昏光照条件。

数据格式

Urban Dataset

CloudGlobal.pcd: 全局地图以点云数据（PCD）格式提供，包含每条轨迹的 3D 结构。
Intra-sequence Odometry（poses.csv）: 关键姿态由 SLAM 生成并保存为里程信息，以 CSV 文件格式提供。
Intra-trajectory Correspondences（correspondence.csv）: 两个共享重叠区域的轨迹中的姿态对应关系以 CSV 文件格式保存。
GPS（gps.txt）: GPS 数据精度有限，仅用于可视化目的。
Clouds: 基于全局地图和姿态生成的子地图，未直接提供，可通过提供的脚本生成。
Raw Data: 原始数据以 ROS 包（rosbag）格式提供，包含 /imu/data 和 /velodyne_packets 两个 ROS 话题。

Campus Dataset

CloudGlobal.pcd, Intra-sequence Odometry（poses_intra.csv）和 Clouds: 与 Urban Dataset 格式相同。
Inter-sequence Odometry（poses_inter.csv）: 同一轨迹内的 8 条序列的姿态统一到同一全局坐标系，以 CSV 文件格式保存。
Panoramas: 每个关键姿态对应的全景图片，分辨率为 1024 × 512，以 PNG 文件格式提供。
Raw Data: 原始数据以 ROS 包（rosbag）格式提供，包含 /imu/data、/velodyne_points 和 /camera/image 三个 ROS 话题。

数据集发布

Raw Data: 下载链接
Processed Data（可读数据）: 下载链接

引用

如果您的研究中使用了此数据集，请按以下格式引用：

@misc{yin2022alita, title={ALITA: A Large-scale Incremental Dataset for Long-term Autonomy}, author={Peng Yin and Shiqi Zhao and Ruohai Ge and Ivan Cisneros and Ruijie Fu and Ji Zhang and Howie Choset and Sebastian Scherer}, year={2022}, eprint={2205.10737}, archivePrefix={arXiv}, primaryClass={cs.RO} }

搜集汇总

数据集介绍

构建方式

在移动机器人长期自主定位领域，现有数据集常局限于简化场景或仿真环境，难以全面评估同步定位与建图（SLAM）系统的实际性能。ALITA数据集通过精心设计的双轨采集方案构建而成：校园轨迹聚焦长期属性，利用激光雷达与全向相机在10条路径上重复采集8次，涵盖不同光照条件；城市轨迹则强调大规模特性，仅使用激光雷达沿120公里轨迹记录，覆盖街道、住宅区与自然地形等多种场景。所有轨迹均通过全球定位系统结合基于通用迭代最近点的点云优化提供精确地面真值，确保了数据的高精度与时空多样性。

使用方法

为促进地点识别方法的标准化评估，ALITA数据集提供了完整的工具链与使用指南。用户可通过Python-API便捷地加载数据集，生成自定义的查询与数据库帧，以测试方法在不同平移与视角差异下的鲁棒性。数据格式兼容点云库（PCL）与Open3D等常用工具，原始数据以ROS包形式提供，便于回放与处理。数据集中包含的轨迹重叠真值可用于地图融合研究，而在线评估平台则支持方法性能的持续比较。通过这一集成化流程，研究者能够高效验证算法在长期、大规模动态环境中的定位准确性与泛化能力。

背景与挑战

背景概述

在机器人学与自动驾驶领域，长期自主导航依赖于精准的地点识别技术，以应对动态环境中的定位挑战。ALITA数据集由卡内基梅隆大学的研究团队于2022年创建，旨在填补现有数据在规模与时间跨度上的不足。该数据集聚焦于大规模、长期且重复的定位问题，通过校园与城市两条轨迹，分别涵盖不同光照条件下的重复采集与长达120公里的多样化城市场景，为同步定位与建图（SLAM）系统的评估提供了真实且丰富的测试平台。其影响力体现在为IEEE ICRA 2022竞赛提供基准，推动了地点识别方法在复杂现实环境中的鲁棒性与泛化能力研究。

当前挑战

ALITA数据集致力于解决地点识别领域在大规模、长期及视角变化环境下的核心挑战，即如何提升SLAM系统在动态城市场景中的定位准确性与稳定性。构建过程中，研究团队面临多重困难：数据采集需覆盖广阔地理区域与多次重复轨迹，涉及昂贵的传感器平台设计与长时间的准备；同时，处理异构数据（如激光雷达与全景相机）的同步与校准，以及生成高精度地面真值（结合GPS与点云细化）均增加了技术复杂性。这些挑战使得数据集成为评估先进地点识别方法在真实应用中性能的关键资源。

常用场景

经典使用场景

在长期自主导航领域，ALITA数据集为地点识别算法的评估提供了大规模动态环境下的真实场景。该数据集包含城市尺度与校园尺度的轨迹，其中城市轨迹覆盖120公里，涵盖商业区、住宅区等多种城市结构，而校园轨迹则通过重复采集10条路径的8次不同光照条件数据，模拟长期环境变化。这些特性使得ALITA成为测试算法在时空差异下鲁棒性的理想平台，尤其适用于评估同步定位与建图（SLAM）系统中闭环检测的准确性。

解决学术问题

ALITA数据集主要解决了长期大规模自主导航中地点识别算法的评估难题。传统数据集往往局限于短期或静态环境，难以反映真实世界中的光照变化、视角差异及动态物体干扰。ALITA通过提供城市与校园双轨数据，填补了现有数据在长期性、大规模性及环境多样性方面的空白，使研究者能够系统评估算法在复杂条件下的泛化能力与鲁棒性，推动了SLAM技术在长期自主性应用中的理论进展。

实际应用

ALITA数据集的实际应用广泛涉及自动驾驶、机器人配送及城市测绘等领域。在城市轨迹中，其覆盖的多样场景可用于训练自动驾驶车辆在复杂路况下的定位系统；校园轨迹则支持移动机器人在长期运行中的重定位任务，例如在光照变化下的导航。此外，数据集提供的重叠轨迹与地面真值，为大规模地图拼接系统的开发提供了数据基础，助力实现高精度环境建模与多机器人协同作业。

数据集最近研究