LunarLoc

LunarLoc数据集由麻省理工学院的研究人员创建，旨在促进月球表面自主操作中的全局定位技术的研究。该数据集包含17次遍历的立体图像和姿态数据，覆盖约1000平方米的区域。数据集用于评估LunarLoc方法，该方法是利用实例分割技术从月球表面的立体图像中提取岩石地标，以实现高精度的全局定位。LunarLoc数据集的发布旨在鼓励全球定位技术在月球上的进一步发展。The LunarLoc dataset was developed by researchers at the Massachusetts Institute of Technology (MIT) to advance research on global localization technologies for autonomous operations on the lunar surface. This dataset includes stereo images and pose data collected from 17 traversals, covering an area of approximately 1,000 square meters. It is utilized to evaluate the LunarLoc method, which employs instance segmentation techniques to extract rock landmarks from lunar surface stereo images to achieve high-precision global localization. The release of the LunarLoc dataset aims to foster further advancements in global localization technologies for lunar applications.

原始信息汇总

LunarLoc数据集概述

数据集基本信息

• 来源：LunarLoc项目，发表于RSS 2025 Workshop on Resilient Off-road Autonomous Robotics
• 论文链接：https://arxiv.org/abs/2506.16940
• 数据格式：提供两种数据格式（.csv和.lac）
• 数据量：包含17条独立遍历轨迹数据

数据格式详情

CSV格式

• 包含内容：
  • 巡视器的真实x、y、z位置坐标
  • 每帧中检测到的岩石估计数据

LAC格式

• 包含内容：
  • 巡视器的真实6自由度位姿
  • IMU数据
  • 巡视器配置状态
  • 模拟器生成的相机图像
• 文件结构： text <file_name>.lac/ ├── metadata.toml ├── initial.toml ├── frames.csv ├── images/ │ └── <camera>/ │ ├── <camera>_frames.csv │ ├── grayscale/ │ │ └── <camera>grayscale<frame>.png │ └── semantic/ │ └── <camera>semantic<frame>.png └── custom/ └── <record_name>.csv

数据读取工具

FrameDataReader类

• 功能：提供对数值数据的直接访问
• 主要属性：
  • initial：字典类型
  • frames：pandas DataFrame
  • camera_frames：相机数据字典
  • custom_records：自定义记录字典

CameraDataReader类

• 功能：提供相机特定数据和图像访问
• 主要方法：
  • get_frame()：获取指定帧数据
  • get_image()：获取图像数据（numpy数组格式）
  • input_data()：生成LAC风格的输入数据字典

PlaybackAgent类

• 功能：模拟AutonomousAgent行为
• 主要方法：
  • set_frame()：设置当前活动帧
  • step_frame()：步进到下一帧
  • input_data()：提供模拟器输入数据
  • get_imu_data()：获取IMU数据
  • get_camera_state()：获取相机状态

数据获取

• LAC文件下载：通过GitHub releases页面获取（https://github.com/Robaire/LunarLoc/releases）

搜集汇总

数据集介绍

构建方式

LunarLoc数据集的构建依托于月球模拟器环境，通过部署NASA ISRU Pilot Excavator（IPEx）探测器的数字孪生体，在27m×27m的高保真月面场景中采集多组不同长度的遍历数据。采用5Hz采样的双目立体相机获取灰度图像，通过FastSAM模型进行零样本实例分割实时提取月岩特征，结合深度信息计算三维质心坐标，最终形成包含17条遍历路径的基准数据集。数据存储采用CSV表格和.lac压缩包双格式，完整记录探测器位姿、环境特征点及同步传感器数据。

特点

该数据集的核心价值在于其开创性地构建了基于月岩特征的厘米级定位基准，包含386个月面岩石的精确三维坐标信息。通过多时段重复遍历相同区域的设计，数据集有效模拟了实际任务中光照条件变化带来的视觉歧义挑战。特别值得注意的是，数据采集覆盖短（6m）、中（50m）、长（197m）三种典型任务场景，且提供Python数据加载工具链，支持脱离模拟器环境的算法验证与多智能体协同定位研究。

使用方法

研究者可通过GitHub获取数据集及配套的Python数据加载库，该库提供两种使用模式：直接访问原始CSV表格数据，或通过模拟传感器API进行时序数据回放。针对全局定位任务，建议首先加载参考遍历（Reference Traverse）构建环境特征图，随后将实时采集的月岩特征点云通过图论数据关联算法（如论文所述CLIPPER方法）进行匹配。数据集中的地面真值位姿可用于算法精度验证，而多时段遍历数据特别适合研究光照变化条件下的长期定位鲁棒性。

背景与挑战

背景概述

LunarLoc数据集由麻省理工学院的研究团队于2025年发布，旨在解决月球表面自主操作中的全局定位问题。随着NASA Artemis计划的推进，月球表面的持续存在需要高精度的自主导航技术。传统的地球导航基础设施如GPS在月球上不可用，而视觉惯性里程计（VIO）等方法在长距离行驶中会积累漂移误差。LunarLoc通过实例分割技术从立体图像中提取岩石标志物，构建基于图的表示，并与参考地图对齐，实现了厘米级精度的全局定位。该数据集不仅支持月球探索任务，还为相关领域的研究提供了宝贵资源。

当前挑战

LunarLoc数据集面临的挑战主要包括两方面：首先，月球环境的极端光照条件导致视觉特征提取困难，传统视觉定位方法在光照变化下性能显著下降；其次，构建过程中需处理大量异构数据，包括立体图像、深度信息和姿态估计，数据关联与对齐的复杂性较高。此外，月球表面缺乏结构化的地标，进一步增加了定位的难度。

常用场景

经典使用场景

LunarLoc数据集在月球表面自主导航领域具有重要应用价值。该数据集通过零样本实例分割技术提取月球表面的巨石标志物，构建基于图论的全局定位系统，为月球车在缺乏GPS支持的环境下提供厘米级精度的定位能力。其经典使用场景包括月球车在复杂地形中的自主探索、基础设施部署以及科学探测任务，特别是在Artemis计划推动的长期月球驻留任务中发挥关键作用。

衍生相关工作

该数据集催生了多个行星导航领域的创新研究，包括MIT团队开发的ROMAN（基于语义的对象地图对齐系统）和SOS-Match（开放集鲁棒对应搜索框架）。其图论数据关联范式被扩展应用于火星探测器定位，相关成果发表在IEEE IROS等顶级会议。数据集提供的多智能体同步接口也推动了月球多车协同定位方法的发展。

数据集最近研究

最新研究方向

随着月球探索任务的不断推进，自主导航技术成为实现月球表面持续作业的关键。LunarLoc数据集作为一项突破性研究，通过基于实例分割的零样本岩石特征提取技术，构建了图论驱动的全局定位框架。该数据集在模拟月球环境中实现了厘米级定位精度，显著超越了现有月球定位方法的性能边界。其创新性体现在利用开放集分割模型实时提取环境中的岩石标志物，并通过多会话地图对齐实现无漂移定位，为未来月球车自主作业提供了可靠的技术支持。该数据集的发布不仅填补了月球高精度定位基准的空白，更推动了基于环境结构特征的自主导航算法发展，为阿尔忒弥斯计划等重大月球任务奠定了技术基础。

相关研究论文

• LunarLoc: Segment-Based Global Localization on the Moon

  麻省理工学院 · 2025年