M3DGR

M3DGR数据集是一个为地面机器人设计的多传感器、多场景、大规模基准数据集，具有完整的传感器套件，包括RGBD-IMU传感器、全向相机、两个非重复扫描LiDAR、车轮里程表和两个GNSS接收器。M3DGR涵盖了具有挑战性的传感器退化场景，如视觉退化、LiDAR退化、车轮打滑和GNSS拒绝。

The M3DGR dataset is a large-scale, multi-scenario, multi-sensor benchmark dataset designed for ground robots. It is equipped with a complete sensor suite including RGBD-IMU sensors, omnidirectional cameras, two non-repetitive scanning LiDARs, a wheel odometer, and two GNSS receivers. The M3DGR dataset covers challenging sensor degradation scenarios such as visual degradation, LiDAR degradation, wheel slippage, and GNSS denial.

原始信息汇总

M3DGR数据集概述

1. 数据集简介

• 全称：M3DGR: A Multi-sensor, Multi-scenario and Massive-baseline SLAM Dataset for Ground Robots
• 目标：为地面机器人SLAM算法提供多传感器、多场景的全面基准测试
• 论文：Towards Robust Sensor-Fusion Ground SLAM: A Comprehensive Benchmark and a Resilient Framework
• 状态：IROS 2025已接收，数据集和代码即将发布

2. 传感器配置

2.1 传感器清单

• LiDAR1：Livox Avia，70.4°水平FOV，77.2°垂直FOV，10Hz，最大范围450m
• LiDAR2：Livox MID-360，360°水平FOV，-7°至+52°垂直FOV，10Hz
• V-I传感器：Realsense d435i，RGB/Depth 640*480，15Hz
• 全向相机：Insta360 X4，RGB 2880*1440，15Hz
• 轮式里程计：WHEELTEC，2D，20Hz
• GNSS接收器：CUAV C-RTK9Ps，10Hz
• RTK接收器：CUAV C-RTK2HP，15Hz
• 运动捕捉系统：OptiTrack，360Hz

2.2 数据主题

• LiDAR1：/livox/avia/lidar
• LiDAR2：/livox/mid360/lidar
• 轮式里程计：/odom
• RGB相机：/camera/color/image_raw/compressed
• 深度相机：/camera/aligned_depth_to_color/image_raw/compressedDepth
• GNSS：多个主题，包括/ublox_driver/receiver_lla等
• IMU：多个主题，包括/camera/imu等

3. 数据集序列

3.1 总体统计

• 总序列数：32
• 总距离：11868.95米
• 总时长：14821秒
• 总大小：225GB

3.2 场景分类

• 标准场景：4序列，4485.49米
• 视觉挑战：16序列（黑暗、变化光照、动态、遮挡）
• LiDAR退化：3序列（走廊、电梯）
• 轮子打滑：8序列（轮子浮动、急转弯、草地）
• GNSS拒绝：2序列

4. 已知问题

• RGB图像采用滚动快门
• 传感器间缺乏外部触发，采用软件同步

5. 支持的SLAM算法

• 已测试算法：40种
• 分类：
  • 测量：轮式里程计、GNSS SPP
  • VO系统：Tartanvo、ORB-SLAM2等
  • VIO系统：ORB-SLAM3、VINS-Mono等
  • LO系统：LOAM、LeGO-LOAM等
  • LIO系统：LIO-SAM、Fast-LIO2等
  • LVIO系统：LVI-SAM等

6. 数据下载

• 标准场景：Outdoor01等序列
• 视觉挑战：Dynamic01、Occlusion01等序列
• LiDAR退化：Corridor01等序列
• 轮子打滑：Wheel-float01等序列
• GNSS拒绝：GNSS-denial01等序列

搜集汇总

数据集介绍

构建方式

M3DGR数据集通过配备多传感器平台的地面机器人系统构建，该平台集成了RGBD-IMU传感器、全向相机、两个非重复扫描LiDAR、轮式里程计和GNSS接收器。数据采集在标准环境和挑战性环境中进行，包括视觉退化、LiDAR退化、轮式打滑和GNSS信号丢失等场景。所有传感器数据通过ROS的rosbag工具记录，确保时间同步性，并通过硬件触发机制实现内部传感器同步。高精度运动捕捉系统和实时动态测量技术用于获取室内外场景的基准轨迹。

使用方法

M3DGR数据集支持多模态SLAM算法的全面评估，研究者可通过解析ROS bag文件获取同步的多传感器数据流。数据集提供详细的场景分类和基准轨迹，便于进行定量分析如绝对轨迹误差（ATE）和相对位姿误差（RPE）计算。针对特定退化场景的独立序列设计，允许研究者针对性测试算法在视觉特征缺失、LiDAR退化等条件下的表现。配套的Ground-Fusion++框架实现为模块化参考系统，支持GNSS、RGB-D、IMU、轮式里程计和LiDAR的灵活组合与性能对比。

背景与挑战

背景概述

M3DGR数据集是由上海交通大学的研究团队于2025年推出的面向地面机器人的多传感器SLAM基准数据集。该数据集针对结构化环境中SLAM方法的鲁棒性不足这一核心问题，通过整合RGB-D相机、全向相机、非重复扫描激光雷达、轮式里程计和GNSS接收机等多种传感器，构建了系统性的传感器退化场景。作为首个涵盖视觉挑战、激光雷达退化、轮式打滑和GNSS拒止等极端场景的多模态基准，M3DGR填补了现有数据集在算法鲁棒性评估方面的空白，为多传感器融合SLAM研究提供了标准化测试平台。其创新性的传感器配置和退化场景设计，显著推动了地面机器人定位与建图技术在复杂环境中的应用发展。

当前挑战

M3DGR数据集主要应对两大挑战：在领域问题层面，传统SLAM系统在传感器退化场景下存在显著性能衰减甚至失效，数据集通过构建4类极端场景（包括低光照环境下的视觉退化、长廊场景的激光雷达特征缺失、草地路面的轮式打滑以及隧道内的GNSS信号拒止），系统评估算法在真实复杂环境中的适应能力；在构建技术层面，研究团队需解决多传感器时空同步（如RGBD-IMU与双激光雷达的硬件触发同步）、厘米级真值轨迹获取（融合运动捕捉系统与RTK-GNSS），以及退化场景的可控复现（如通过人工遮挡模拟视觉退化）等关键技术难题，确保数据质量与评估有效性。

常用场景

经典使用场景

M3DGR数据集作为多传感器融合SLAM领域的基准测试平台，其经典使用场景聚焦于评估算法在极端环境下的鲁棒性。在视觉退化场景中，研究者可利用其低光照、动态遮挡等序列验证视觉特征提取的稳定性；在激光雷达退化场景下，长廊和电梯等特殊几何结构可检验点云匹配算法的抗退化能力；轮式打滑和GNSS拒止场景则为研究多源传感器冗余机制提供了理想实验环境。

解决学术问题

该数据集有效解决了多模态SLAM研究中的两大核心问题：一是缺乏系统化评估算法在传感器退化场景下性能的标准基准，通过设计四类典型退化模式（视觉挑战、激光退化、轮式打滑、GNSS拒止）填补了该领域空白；二是突破了传统SLAM框架在自适应传感器选择策略上的局限，其丰富的传感器配置（RGB-D、全向相机、双激光雷达、轮速计、双GNSS）为研究动态传感器融合机制提供了数据支撑。

实际应用

在实际应用层面，M3DGR支持地面机器人在复杂工业场景中的可靠导航。其包含的视觉退化数据可优化巡检机器人在低光照厂房的表现，轮式打滑序列能提升农业机器人在泥泞田间的通过性，而GNSS拒止场景则有助于开发地下管廊等受限空间的定位方案。数据集涵盖的32个序列、11.8公里轨迹数据，为物流配送、灾害救援等实际应用提供了全面的测试环境。

数据集最近研究

最新研究方向

近年来，随着地面机器人在工业检测、农业自动化等领域的广泛应用，SLAM技术的稳健性成为研究热点。M3DGR数据集作为多传感器融合SLAM领域的重要基准，其最新研究方向聚焦于极端环境下的算法鲁棒性评估与自适应传感器融合策略。该数据集通过系统引入视觉退化、LiDAR失效、轮式打滑和GNSS拒止等挑战性场景，为研究社区提供了首个可配置的传感器退化评估平台。前沿工作主要围绕三个方向展开：一是基于深度学习的退化场景识别与传感器权重动态分配，例如通过实时特征点数量监测实现LiDAR与视觉模态的智能切换；二是多模态数据的时间同步与标定优化，解决异构传感器在极端条件下的时空对齐难题；三是构建开环检测机制与误差补偿模型，针对长期运行产生的累积漂移问题提出新型解决方案。这些研究显著提升了地面机器人在城市峡谷、地下空间等复杂环境中的定位精度，为无人配送、灾害救援等实际应用提供了关键技术支撑。

相关研究论文

• Towards Robust Sensor-Fusion Ground SLAM: A Comprehensive Benchmark and A Resilient Framework

  上海交通大学 · 2025年