Tiny Robotics Object Detection (TiROD)

Tiny Robotics Object Detection (TiROD) 数据集由意大利帕多瓦大学信息工程系创建，旨在评估微型机器人平台上的持续对象检测能力。该数据集通过微型移动机器人的摄像头收集，涵盖了室内外5种不同环境和13个对象类别，共包含约6700张图像和17900个边界框标注。数据集的创建过程考虑了光照变化、运动模糊和遮挡等真实世界挑战，适用于评估对象检测系统在动态和不可预测环境中的适应性。TiROD数据集的应用领域包括自主导航和检查等，旨在解决微型机器人在不同环境中高效检测对象的问题。

The Tiny Robotics Object Detection (TiROD) dataset was created by the Department of Information Engineering, University of Padua, Italy, aiming to evaluate continuous object detection performance on miniature robotic platforms. This dataset is collected via the on-board cameras of micro mobile robots, covering 5 distinct indoor and outdoor environments and 13 object categories, with approximately 6700 images and 17900 bounding box annotations in total. During its development, real-world challenges such as illumination variations, motion blur and occlusion have been taken into account, making the dataset suitable for evaluating the adaptability of object detection systems in dynamic and unpredictable environments. The TiROD dataset has applications in areas including autonomous navigation and inspection, and is designed to address the problem of efficient object detection by miniature robots across diverse environments.

搜集汇总

数据集介绍

构建方式

TiROD数据集通过使用一台小型移动机器人，在五个不同的环境中进行数据采集而构建。这些环境包括室内和室外，涵盖了从平滑的瓷砖地面到草地的多种地形。机器人配备了低成本的摄像头，以每秒8帧的速率捕捉640×480像素的RGB图像。数据集包含约6.7千张图像和17.9千个标注的边界框，涵盖13个不同的物体类别。标注过程首先使用Grounding Dino进行初步标注，随后由人工进行精细调整，以确保标注的准确性。

特点

TiROD数据集的显著特点在于其多样化的环境和光照条件，以及低成本摄像头带来的图像噪声和运动模糊。这些特性使得数据集能够真实反映小型移动机器人在实际操作中面临的挑战，如资源限制和环境变化。此外，数据集的设计还考虑了持续学习的需求，通过在不同任务间切换，测试对象检测系统在不遗忘先前知识的情况下适应新数据的能力。

使用方法

TiROD数据集主要用于评估持续学习（CL）策略在对象检测中的应用。研究者可以使用该数据集来测试和比较不同的CL方法，包括基于正则化、重放和架构调整的技术。数据集提供了详细的实验设置和评估指标，如平均精度（mAP）和稳定性与可塑性比率（RSD和RPD），以全面评估模型的性能。此外，数据集的源代码和实验结果已公开，便于研究者复现和进一步研究。

背景与挑战

背景概述

Tiny Robotics Object Detection (TiROD)数据集由意大利帕多瓦大学信息工程系的研究团队创建，旨在解决微型机器人平台在动态和不可预测环境中进行对象检测的挑战。该数据集于2024年提出，主要研究人员包括Francesco Pasti、Riccardo De Monte等。TiROD的核心研究问题是如何在资源受限的微型机器人平台上实现持续学习（Continual Learning, CL）对象检测，以适应不同领域和类别的变化。该数据集通过一个小型移动机器人收集了室内外五种不同环境下的数据，包含13个对象类别，为评估对象检测系统的适应性提供了全面的基准。TiROD的引入填补了现有数据集在微型机器人特定挑战方面的空白，推动了微型机器人领域的发展。

当前挑战

TiROD数据集面临的挑战主要集中在两个方面：一是解决微型机器人平台在资源受限条件下的对象检测问题，包括计算能力、内存、传感器质量和能量消耗的严格限制；二是构建过程中遇到的持续学习问题，即如何在不断接收新数据的同时避免模型灾难性遗忘。具体挑战包括：1) 数据集的多样性和不平衡性，某些类别在早期任务中缺失或在后期任务中出现较少；2) 低分辨率图像和运动模糊带来的检测难度；3) 不同环境下的光照变化和遮挡问题；4) 持续学习策略的有效性评估，特别是在域和类别增量学习（DIL+CIL）场景下。这些挑战共同构成了TiROD数据集在微型机器人对象检测研究中的核心难题。

常用场景

经典使用场景

Tiny Robotics Object Detection (TiROD) 数据集的经典使用场景主要集中在微型机器人平台的持续目标检测任务中。该数据集通过一个微型移动机器人收集了室内外多种环境下的图像数据，涵盖了13个不同的物体类别。这些数据被设计用于测试目标检测系统在不同领域和类别间的适应性，特别是在资源受限和计算能力有限的情况下。通过评估现有最先进的实时目标检测器与不同的持续学习策略在该数据集上的表现，研究者能够深入了解这些系统的性能和局限性，从而推动微型机器人领域中鲁棒且高效的目标检测系统的发展。

衍生相关工作

TiROD 数据集的发布催生了一系列相关的经典工作，特别是在持续学习和微型机器人目标检测领域。例如，研究者基于该数据集开发了多种持续学习策略，如基于回放的方法、正则化方法和架构调整方法，以提高模型在不同任务间的适应性和稳定性。此外，该数据集还促进了轻量级目标检测架构如 NanoDet 和 YOLOv8 的进一步优化，使其在资源受限的微型机器人平台上表现更为出色。这些工作不仅推动了学术研究，也为实际应用提供了技术支持。

数据集最近研究

最新研究方向

近年来，Tiny Robotics Object Detection (TiROD) 数据集在微型机器人领域引起了广泛关注。该数据集通过一个小型移动机器人收集，旨在测试对象检测系统在不同领域和类别中的适应性。前沿研究方向主要集中在持续学习（Continual Learning, CL）策略的应用，以解决微型机器人在动态和不可预测环境中操作时的适应性问题。研究者们通过评估最先进的实时对象检测器与不同的持续学习策略的结合，揭示了这些系统在资源受限环境下的性能和局限性。此外，TiROD 数据集的发布和代码的开源，进一步推动了该领域的持续进步，为开发鲁棒且高效的对象检测系统提供了宝贵的资源。

相关研究论文

• Tiny Robotics Dataset and Benchmark for Continual Object Detection

  信息工程系，帕多瓦大学，意大利 · 2024年