Viking Hill Dataset

Viking Hill数据集是由厄勒布鲁大学机器人导航与感知实验室创建的多模态森林场景数据集，旨在推动林业机器人感知研究。该数据集包含高分辨率4D成像雷达、激光雷达和RGB相机同步采集的数据，覆盖约140m×180m的林区，在植被稀疏期和茂盛期分别进行了采集，并提供了包含地面、树干、树冠等9个类别的3D长方体标注及单树胸径估计。数据通过配备RTK-GNSS的移动机器人采集，并利用激光雷达建图生成参考坐标系，实现了跨模态的语义标签对齐。该数据集主要应用于自动驾驶、林业机器人等领域的多传感器融合、语义分割、目标检测研究，特别关注雷达在视觉退化、表面污染和植被遮挡条件下的感知能力验证。The Viking Hill dataset is a multimodal forest scene dataset developed by the Robot Navigation and Perception Lab at Örebro University, aimed at advancing perception research for forestry robotics. It includes synchronously acquired data from high-resolution 4D imaging radars, LiDARs and RGB cameras, spanning a forest area of approximately 140 m × 180 m. The data was collected during both sparse and dense vegetation periods, and provides 3D bounding box annotations for 9 categories including ground, tree trunks and crowns, as well as single-tree diameter at breast height (DBH) estimates. The data was gathered using a mobile robot equipped with RTK-GNSS, and a reference coordinate system was generated via LiDAR-based mapping to enable cross-modal semantic label alignment. This dataset is primarily utilized for research on multi-sensor fusion, semantic segmentation and object detection in fields such as autonomous driving and forestry robotics, with a particular focus on validating the perception capabilities of radar under conditions of visual degradation, surface contamination and vegetation occlusion.

原始信息汇总

数据集概述：Viking Hill Dataset

核心主题：一个面向森林场景中检测与分割任务的激光雷达-雷达-相机多传感器数据集。

数据采集：使用 Clearpath Husky 机器人在 2024 年 5 月和 6 月进行两次采集，每次约1小时。数据捕获了一个包含成树与幼树、茂密灌木丛、崎岖地形和零星岩石的林地区域。

传感器配置：搭载了以下传感器：

• 4D 雷达：Sensrad Hugin A3-Sample（固态 4D 雷达，早期演示型号）
• 3D 激光雷达：Ouster OS0-32
• RGB 相机：IDS Imaging uEye (2056x1542px)
• IMU：Xsens MTi-30
• RTK-GNSS：Emlid Reach RS2+ 接收器对
• 里程计：融合了 IMU 数据的 Husky 里程计

真值参考：

• 3D 标签：基于参考激光雷达点云地图，通过 Segments.ai 手动标注了 3D 边界框（cuboids），包含以下类别：树干、树冠、灌木/小树、岩石、汽车等。
• 定位参考：通过 ICP Mapper 和 HDL Graph Slam 构建了参考点云地图和机器人位姿，地图与 UTM 坐标系对齐，定位精度估计为 ±30cm。
• GNSS 参考：提供了 RTK 后处理解决方案。

数据格式：

• 数据以 ROS1 (Noetic) 和 ROS2 (Jazzy) 两种格式的 bag 文件提供。
• 提供了 ROS1 的辅助启动文件和 ROS2 的点云标注工具。
• 提供了用于生成稠密点云的工具，并可保存为 .pcd 文件。

数据组成：

• 短草阶段（2024年5月）：采集时长 4068 秒，覆盖约 180x140m 区域，采用“搜索模式”路线，视野清晰。
• 高草阶段（2024年6月）：采集时长 3811 秒，同一区域，植被更高，挑战性更大。

文件组织：分为 ros1_noetic 和 ros2_jazzy 两个主目录，各自包含标定文件、数据（bags、GPS、参考点云地图），ROS2 版本还包含单独的边界框标签文件。

下载：数据集压缩包（约 200GB）可从 临时存储库 下载，并提供了 ROS1 和 ROS2 的下载与解压脚本。未来将归档至 Zenodo。

搜集汇总

数据集介绍

构建方式

Viking Hill Dataset的构建依托于一台搭载高分辨率FMCW成像雷达、激光雷达、RGB相机、IMU及RTK-GNSS的移动机器人平台，在2024年5月（植被稀疏期）与6月（植被茂盛期）两个季节条件下，于瑞典厄勒布鲁大学附近的森林区域进行数据采集。机器人通过远程操控，每次采集约一小时，覆盖约140米×180米的起伏地形。基于激光雷达与GNSS数据，通过SLAM技术生成高精度参考点云地图，并在此地图上手工标注了地面、树干、树冠、岩石、灌木等九类3D立方体标签。这些标签可通过ROS工具自动投射至激光雷达与雷达点云，以及投影至RGB图像中。此外，还为树干提供了基于胸径（DBH）的直径标注，以支持按树尺寸分层的性能评估。

特点

该数据集的核心特点在于其首次融合了4D成像雷达、激光雷达与RGB相机三种传感器，并在统一的3D标签体系下实现跨模态的语义分割与检测任务对比。雷达作为新兴感知模态，具有抗视觉退化、抗表面污染及穿透植被遮挡的独特优势，实验中雷达在草地（IoU达91%）与树冠（86%）类别上展现了与激光雷达相当的竞争力。数据集包含两种极端植被状态（短草与高草），为研究遮挡效应对不同传感器的影响提供了独特条件。每棵树的DBH标注进一步支持了按树径分层的精细分析，揭示了总体IoU背后潜藏的性能差异。

使用方法

数据集适用于语义分割、目标检测、SLAM、多传感器融合及地图构建等研究。使用者可通过ROS工具加载3D立方体标签，将其应用于激光雷达或雷达点云，或投影至RGB图像生成COCO格式的2D边界框与轮廓。默认提供了基于MinkowskiUNet的基线分割结果，支持直接复现与对比。雷达点云可单帧使用或累积五帧以增加密度。跨模态分析可借助RGB树干检测模型（如PercepTreeV1）评估激光雷达与雷达在视觉成功/失败情况下的表现。数据集以ROS1和ROS2 bag文件形式公开，附有详细文档与标注工具，便于二次开发与定制化实验。

背景与挑战

背景概述

Viking Hill Dataset由瑞典厄勒布鲁大学AASS研究中心的机器人导航与感知实验室于2026年创建，核心研究人员包括Vladimír Kubelka、Oleksandr Kotlyar、Unal Artan和Martin Magnusson。该数据集聚焦于森林环境中自主移动机器人的多模态感知，旨在解决现有林业数据集缺乏共配准4D成像雷达数据的空白。研究团队在一台Clearpath Husky机器人上集成了高分辨率FMCW雷达、激光雷达、RGB相机、IMU和RTK-GNSS，于2024年5月和6月分别记录了低植被和高植被两种季节条件下的森林场景。数据集提供了共享的三维长方体标注，涵盖地面、树干、树冠等九种类别，并附带每棵树的胸径估计。作为首个同时包含激光雷达、雷达和相机数据且具有一致三维标注的林业机器人数据集，它推动了多模态感知在森林环境中的研究，为语义分割、目标检测、定位与建图等任务提供了基准平台，对林业自动化和极端环境下的感知技术发展具有重要意义。

当前挑战

该数据集所解决的领域问题主要包括森林场景中的语义分割与多传感器融合。在密林环境下，传统相机易受光照变化和遮挡影响，激光雷达对细小结构（如树枝）感知有限，而4D雷达虽能穿透植被和抵抗表面污染，但其点云稀疏且分辨率低，对细长树干的分割精度远低于激光雷达（IoU仅56%对74%）。构建过程中，研究团队面临多重挑战：首先，雷达点云手动画注几乎不可能，因此采用激光雷达参考地图中的三维长方体间接标注，但因此引入了标签噪声，例如雷达回波点常位于物体实际轮廓之外。其次，季节变化导致植被高度和密度差异显著，高植被条件下树干遮挡加剧，RGB检测模型的召回率下降约8%，而雷达在40米外仍能感知树干但点云极度稀疏，分割性能波动大。此外，多传感器的时间同步误差（如雷达内部时钟漂移）、空间标定精度（手动测量与反射器微调）、以及RTK-GNSS在树冠遮挡下定位精度退化等问题均需精细处理。这些挑战促使未来需要开发更精确的圆柱体标注工具和适应稀疏数据的网络结构。

常用场景

经典使用场景

在多传感器融合的森林机器人感知研究中，Viking Hill Dataset被广泛用于语义分割与目标检测任务的基准评估。该数据集的核心价值在于首次提供了激光雷达、RGB相机与4D成像雷达在森林场景下共配准的3D标注数据，允许研究者在统一的标签体系下直接比较三种模态在关键地物类别（如树干、地面、树冠）上的分割性能。经典的使用范式是将MinkowskiUNet等稀疏卷积网络分别应用于雷达与激光雷达点云，通过交并比（IoU）指标量化各自优势与局限，从而为后续多模态融合策略的设计提供可靠依据。

实际应用

在实际应用中，Viking Hill Dataset为林业机器人自动化作业提供了关键的数据支撑。基于该数据集训练的分割模型可直接部署于自主林木采伐机、林间巡检机器人及无人机协同系统，用于执行树干直径估计、植被图构建和可通行区域分析等任务。雷达模态对泥土、锯末等表面污染的低敏感性尤其适合在恶劣工况下持续运行，而联合多模态数据还能支持林冠遮挡环境中的实时定位与建图（SLAM），显著提升林业机械从人工操控向全自主作业过渡的工程可行性。

衍生相关工作

该数据集衍生了一系列具有代表性的后续研究工作。基线实验直接采用了Malladi等人在DigiForests中提出的MinkowskiUNet架构，验证了雷达点云语义分割的可行性。Grondin等人开发的PercepTreeV1树干检测模型被用于跨模态对比分析，揭示了相机、激光雷达与雷达在10米范围内检测性能的互补关系。此外，基于数据集提供的胸径（DBH）分层标注，研究者能够按树干尺寸对分割质量进行差异化评估，从而催生了面向不同树龄与地形条件的自适应标注工具与精细化分割模型的探索工作。