Wild-Places

Wild-Places是首个大规模手持传感器采集的激光雷达场景识别数据集，专注于非结构化自然环境。该数据集包含8个激光雷达序列，共计63,319个无畸变激光雷达子图，覆盖超过33公里的自然环境，历时14个月采集。数据集适用于内部序列和跨序列的场景识别任务，特别强调长期场景识别，因为自然环境随时间变化，为现有技术带来挑战。

Wild-Places is the first large-scale LiDAR place recognition dataset collected by handheld sensors, focusing on unstructured natural environments. This dataset includes 8 LiDAR sequences, totaling 63,319 distortion-free LiDAR submaps, covering over 33 kilometers of natural environments, and was collected over a period of 14 months. The dataset is applicable to both intra-sequence and cross-sequence place recognition tasks, with particular emphasis on long-term place recognition, since natural environments change over time, which poses challenges to existing technologies.

搜集汇总

数据集介绍

构建方式

在激光雷达定位领域，现有数据集多集中于结构化城市环境，而自然非结构化环境的数据资源相对匮乏。Wild-Places数据集的构建旨在填补这一空白，其采集过程采用了手持式传感器载荷，由操作人员在澳大利亚布里斯班的国家公园内，沿着无法通行车辆或机器人的密集森林小径进行。数据采集历时14个月，覆盖超过33公里的轨迹，共生成63,319个无畸变激光雷达子地图。每个子地图通过Wildcat SLAM系统生成精确的6自由度地面真值轨迹，并采用连续时间轨迹表示方法，融合异步IMU与激光雷达测量，以滑动窗口处理运动畸变，再通过位姿图优化实现全局一致性建图。

特点

该数据集的核心特点在于其专注于非结构化自然环境的长期地点识别挑战。与现有城市数据集相比，Wild-Places包含了密集植被、不规则地形等高度非结构化的场景特征，且每个子地图平均包含超过30万个点云，是目前自然环境中规模最大、密度最高的激光雷达数据集之一。数据集设计了序列内与序列间的多重重访机制，支持同一序列内的闭环检测以及不同序列间的重定位任务，特别是包含了时间跨度长达14个月的长期重访数据，能够有效模拟自然环境随时间推移所产生的动态变化，为长期地点识别研究提供了独特的测试平台。

使用方法

为便于模型训练与性能评估，数据集提供了明确的训练与测试划分方案。训练集主要使用两个环境（Venman与Karawatha）中于同一天采集的序列01与02，而序列03与04则保留用于测试，以评估模型对六个月及十四个月后环境变化的适应能力。评估任务分为序列间重定位与序列内闭环检测两类：序列间评估以预留区域作为查询，同一环境中其他序列的所有子地图作为数据库，成功定位的标准是检索到的子地图与查询位置在三米范围内；序列内评估则排除时间相邻的子地图，同样以三米距离阈值判断闭环成功与否。评估指标包括Top-1召回率与平均倒数排名等，为算法性能提供了量化比较基准。

背景与挑战

背景概述

激光雷达地点识别作为机器人长期自主导航与建图的核心环节，其发展高度依赖于大规模、高质量的数据集支撑。长期以来，KITTI、Oxford RobotCar等经典数据集主要聚焦于结构化城市环境，推动了深度学习方法的性能饱和，却难以应对自然非结构化场景的独特挑战。为填补这一空白，澳大利亚联邦科学与工业研究组织（CSIRO）与昆士兰科技大学（QUT）的研究团队于2023年联合发布了Wild-Places数据集。该数据集通过手持传感器在布里斯班国家公园的森林小径中采集，历时14个月，涵盖超过33公里轨迹与6.3万个激光雷达子图，首次为自然环境中长期地点识别任务提供了大规模、多回访序列的数据资源。其核心研究在于解决非结构化场景下因植被动态变化、地形不规则及视角差异导致的定位难题，对农业监测、野外救援等机器人应用具有重要推动作用。

当前挑战

Wild-Places数据集所针对的领域问题——自然非结构化环境中的激光雷达地点识别——面临多重挑战：自然场景缺乏城市中常见的规则结构特征（如平坦地面、刚性建筑），且植被覆盖、季节更替导致环境随时间动态变化，使得传统基于几何特征的方法难以保持鲁棒性。数据表明，现有最优方法在该数据集上的最高召回率仅约70-80%，远低于城市数据集上95%以上的性能，凸显了领域适应的严峻性。在构建过程中，挑战同样显著：手持采集方式需克服运动畸变与传感器同步问题，而茂密植被与狭窄小径导致点云遮挡严重、特征稀疏；此外，长期数据采集需应对光照、天气及植物生长带来的场景差异，跨序列点云配准与高精度地面真值生成亦对算法可靠性提出了极高要求。

常用场景

经典使用场景

在机器人学与自主导航领域，Wild-Places数据集为激光雷达地点识别任务提供了独特的自然非结构化环境基准。该数据集通过手持传感器在茂密森林小径中采集，覆盖长达14个月的时间跨度，包含大量正向与反向重访序列，使其成为评估长期地点识别算法的理想平台。研究者可利用其进行序列内闭环检测与序列间重定位任务的性能验证，尤其在植被密集、地形多变的场景中，能够有效测试算法对视角变化与环境动态演化的鲁棒性。

衍生相关工作

Wild-Places数据集的推出催生了一系列针对自然场景地点识别算法的改进研究。例如，基于该数据集的基准测试揭示了ScanContext等传统方法在密集植被环境中性能显著下降，从而激发了如LoGG3D-Net等网络结构的优化，这些工作专注于提升对非结构化特征的提取能力。同时，数据集中长期重访任务的设计也促进了时间鲁棒性描述子学习的研究，推动领域从静态城市环境向动态自然场景的范式转移。

数据集最近研究

最新研究方向

在机器人学与计算机视觉领域，激光雷达地点识别技术对于实现长期自主导航至关重要，尤其在非结构化自然环境中面临严峻挑战。Wild-Places数据集的推出填补了现有数据集中于结构化城市环境的空白，为研究界提供了首个大规模、手持式采集的自然场景激光雷达数据集。前沿研究方向聚焦于应对自然环境的动态变化与长期演变，例如植被生长、季节更迭对地点识别稳定性的影响。热点事件包括利用深度学习模型处理高密度点云数据，提升在反向重访与遮挡场景下的鲁棒性，同时探索跨序列重定位中的时间域泛化能力。该数据集的影响在于推动了地点识别技术向农业、环境监测等实际应用场景的拓展，并为开发适应非结构化环境的下一代SLAM系统提供了关键基准。

相关研究论文

• Wild-Places: A Large-Scale Dataset for Lidar Place Recognition in Unstructured Natural Environments

  数据61，澳大利亚联邦科学与工业研究组织 · 2023年