SR, MR1, MR2

本研究创建了三个新的数据集，分别命名为SR、MR1和MR2，用于评估2D LiDAR基的人跟踪系统在障碍物规避场景中的性能。这些数据集通过使用六个Vicon Vero 2.2摄像头的运动捕捉系统记录，提供了机器人和人在不同运动模式下的精确位置和方向数据。实验中，参与者在4米x4米的区域内进行直线行走和随机行走，机器人则以不同的运动模式进行移动，确保参与者始终在LiDAR的视野范围内。这些数据集旨在测试系统在近距离场景中的跟踪性能，特别是在需要进行障碍物规避的情况下。

This study created three novel datasets designated as SR, MR1 and MR2 for evaluating the performance of 2D LiDAR-based human tracking systems in obstacle avoidance scenarios. These datasets were recorded using a motion capture system equipped with six Vicon Vero 2.2 cameras, and provide precise position and orientation data for both robots and humans under different motion patterns. During the experiments, participants performed straight-line walking and random walking within a 4m×4m area, while robots moved with varying motion patterns to ensure that participants were always within the field of view of the LiDAR. These datasets aim to test the tracking performance of the systems in close-range scenarios, especially when obstacle avoidance is required.

搜集汇总

数据集介绍

构建方式

该数据集的构建基于一个嵌入式实时2D LiDAR人跟踪系统，旨在验证其在动态环境中的人体检测与跟踪性能。研究团队使用了一个配备270°扫描范围的Hokuyo UTM-30LX-EW 2D LiDAR传感器，并将其安装在Unitree A1四足机器人上。通过结合DR-SPAAM检测模型和Norfair多目标跟踪器，系统能够在NVIDIA Jetson Xavier NX平台上以20 Hz的频率实时运行。实验中，团队记录了三个新的数据集（SR、MR1、MR2），这些数据集通过Vicon运动捕捉系统获取地面真实数据，模拟了不同的人类行为和机器人运动场景，以评估系统的跟踪精度和避障能力。

特点

该数据集的主要特点在于其针对动态环境中的人体检测与跟踪任务进行了专门设计。数据集包含了三个不同的场景：静止机器人（SR）、半随机移动机器人（MR1）和全随机移动机器人（MR2），涵盖了从静态到动态的多种情况。每个数据集均通过高精度的运动捕捉系统记录了机器人和人类的真实轨迹，确保了数据的高质量和准确性。此外，数据集的实验结果表明，系统在不同配置下均能实现高精度的多目标跟踪（MOTA），尤其是在MR1和MR2数据集中，系统展现了良好的鲁棒性和实时性能。

使用方法

该数据集适用于研究自主移动机器人中的人体检测、跟踪及避障算法。研究者可以通过分析数据集中的地面真实轨迹与系统预测轨迹的对比，评估不同算法的性能。具体而言，数据集可用于验证和优化基于2D LiDAR的检测与跟踪算法，尤其是在动态环境中的人体行为预测和避障策略。此外，数据集还可用于测试和改进机器人导航规划算法，如TEB（Timed-Elastic-Band），以提高其在复杂环境中的避障能力。研究者可以通过对数据集的分析，进一步探索如何优化系统的实时性能和跟踪精度，从而提升机器人在人类环境中的安全性和效率。

背景与挑战

背景概述

随着自主移动机器人（AMR）技术的快速发展，确保机器人在动态人类环境中安全导航成为关键挑战。SR、MR1、MR2数据集由ETH Zurich信息技术和电气工程系的研究团队创建，旨在解决2D LiDAR在动态环境中的人类检测与跟踪问题。该数据集通过集成实时跟踪管道与导航规划框架，验证了在复杂环境中机器人对人类的有效检测与避障能力。研究团队在Unitree A1四足机器人上进行了实验，利用270°的2D LiDAR和NVIDIA Jetson Xavier NX嵌入式GPU平台，实现了20 Hz的实时性能，并在三个新录制的真实世界数据集中验证了其方法的有效性。该研究不仅提升了机器人与人类共存的安全性，还为未来自主机器人在人类环境中的应用奠定了基础。

当前挑战

该数据集面临的挑战主要集中在动态环境中的人类检测与跟踪。首先，如何在复杂且动态变化的环境中准确检测和跟踪人类，是确保机器人安全导航的核心问题。其次，构建过程中需要克服传感器数据处理的实时性问题，尤其是在嵌入式平台上实现高效的多目标跟踪。此外，数据集的创建还需应对人类行为的不确定性，如突然的移动或遮挡，这些因素增加了跟踪算法的复杂性。最后，如何在保证实时性的同时，优化轨迹规划以实现有效的碰撞规避，也是该数据集需要解决的关键挑战。

常用场景

经典使用场景

SR、MR1和MR2数据集主要用于评估自主移动机器人在动态人类环境中的导航和避障能力。这些数据集通过记录机器人在不同场景下的运动轨迹和人类行为，验证了基于2D LiDAR的人类检测与跟踪系统的有效性。经典使用场景包括机器人在静止状态下的跟踪性能测试（SR）、机器人在半随机移动状态下的跟踪与避障测试（MR1），以及机器人在随机移动状态下的复杂避障测试（MR2）。这些场景模拟了真实世界中机器人与人类共享空间的常见情况，确保了系统的鲁棒性和实时性。

解决学术问题

SR、MR1和MR2数据集解决了自主移动机器人在动态环境中与人类交互时的关键问题，特别是在人类检测、跟踪和避障方面的挑战。通过提供真实世界的实验数据，这些数据集帮助研究人员验证了基于2D LiDAR的检测与跟踪系统的准确性和实时性，解决了传统方法在复杂环境中难以应对的动态障碍物问题。此外，数据集的引入为评估和优化机器人导航算法提供了基准，推动了人机共存环境下的安全性和效率研究。

衍生相关工作

SR、MR1和MR2数据集的发布激发了大量相关研究工作，特别是在2D LiDAR技术在机器人导航中的应用。基于这些数据集，研究人员开发了多种改进的检测与跟踪算法，如DR-SPAAM和Norfair跟踪器，这些算法在实时性和准确性上取得了显著进展。此外，数据集还推动了机器人导航规划框架的发展，特别是基于TEB的局部路径规划算法，进一步提升了机器人在动态环境中的避障能力。未来，这些数据集有望继续推动人机交互领域的研究，特别是在复杂环境下的机器人自主导航和安全避障方面。