SOLAQUA

SOLAQUA数据集是由SINTEF Ocean收集的，包含水下机器人在海洋养殖场进行手动和自主网跟随操作时获取的数据。数据集包括导航传感器数据、声纳图像、单目和双目相机图像以及车辆数据，所有数据都是在运营中的鱼类养殖场捕获的。该数据集将有助于推动水下机器人系统在动态环境中的鲁棒导航和感知研究，也可用于开发和测试网箱最优和高效检测方法。

The SOLAQUA dataset was collected by SINTEF Ocean. It encompasses data gathered by underwater robots during both manual and autonomous net-following operations conducted at marine fish farms. The dataset comprises navigation sensor data, sonar imagery, monocular and binocular camera images, as well as vehicle data, all captured within operational fish farming facilities. This dataset will facilitate research on robust navigation and perception of underwater robotic systems in dynamic environments, and can also be employed to develop and test optimal and efficient fish cage detection methods.

搜集汇总

数据集介绍

构建方式

SOLAQUA数据集的构建依托于海洋水产养殖场景下的水下机器人操作实践，采用BlueROV2水下机器人平台在挪威工业化网箱渔场进行数据采集。数据采集过程涵盖手动操控与自主网跟随两种模式，通过集成多普勒测速仪(DVL)、超短基线(USBL)系统、多波束声呐及单双目摄像头等传感器，在动态海洋环境中同步记录导航数据、声学影像与视觉信息。时间同步采用ROS系统以.bag格式存储，并包含2023至2024年不同季节、深度及流速条件下的63组实验数据，特别针对完整网衣结构进行多角度数据捕获。

特点

该数据集的核心价值在于其多模态传感器融合与真实工业场景的完美结合。包含Waterlinked A50与Nortek Nucleus 1000两种DVL的并行测速数据、Sonardyne USBL定位信息、Sonoptix多波束声呐影像以及1080p高清视觉数据，所有传感器数据均通过严格的时间对齐。独特之处在于完整记录了网箱相对距离、航向角及速度的估计值，并包含带有海洋生物附着的网衣视觉样本。数据集特别设计了不同传感器配置的对比实验，为水下导航算法验证提供丰富的基准测试条件。

使用方法

研究者可通过ROS环境直接解析.bag文件获取同步数据流，数据集官网提供详细的传感器标定参数与空间配置关系。典型应用包括：基于DVL-USBL融合的网箱导航算法开发、利用声学-视觉跨模态数据训练感知模型、网衣状态检测的计算机视觉研究等。数据集包含明确划分的测试场景（如MC手动控制组与NFH水平网跟随组），建议使用者参照提供的AprilTag地面真值标记进行视觉算法验证。对于声学数据处理，需注意部分Ping360传感器的实验性测距数据可能存在偏差。

背景与挑战

背景概述

SOLAQUA数据集由挪威SINTEF Ocean研究所联合NTNU大学于2023-2024年研发，聚焦水产养殖业水下机器人自主作业的核心挑战。作为全球首个工业级网箱养殖环境多模态数据集，它系统采集了BlueROV2在真实渔场作业时的声呐、视觉、惯导等多源传感器数据，填补了动态水下环境中网箱结构检测与机器人导航研究的数据空白。该数据集通过记录完整网箱结构特征及海洋生物干扰场景，为开发自主巡检维护（IMR）算法提供了关键基准，直接支撑挪威等海洋国家智能化养殖的技术转型。

当前挑战

水产养殖场景特有的动态环境对感知系统构成多重挑战：网箱结构的柔性形变与海洋生物群导致传统声呐信号衰减失真；悬浮颗粒与低光照条件使视觉传感器信噪比骤降；洋流扰动与网箱涡流场对机器人位姿估计产生持续干扰。数据构建过程中需解决多传感器时空同步难题，包括水下声学设备与光学设备的硬件时钟校准、不同采样频率数据的插值融合，以及在非结构化环境中布置AprilTag等地面真值标记物的工程实现问题。

常用场景

经典使用场景

在海洋水产养殖领域，SOLAQUA数据集为水下机器人导航算法的开发与验证提供了丰富的多模态数据支持。数据集包含声学定位系统（DVL/USBL）、多波束声呐、单目/双目视觉系统等传感器在真实网箱环境中的同步采集数据，特别适用于开发基于多传感器融合的网箱结构跟随算法。研究人员可利用该数据集验证机器人在动态水流、网衣变形及鱼类干扰等复杂条件下的位姿估计精度和运动控制鲁棒性。

解决学术问题

该数据集有效解决了水产养殖机器人领域三大核心问题：首先突破了真实网箱环境中多源传感器标定与同步的技术瓶颈，为水下多模态感知研究提供了基准数据；其次通过包含网衣距离、相对航向等标注信息，支持基于学习的自主导航算法开发；最后其记录的完整操作工况（手动/自动模式）为机器人系统在强干扰环境下的控制策略优化提供了验证平台，显著降低了实地实验的成本与风险。

衍生相关工作

该数据集已催生多项标志性研究成果：包括基于DVL的网衣跟随控制算法（Amundsen et al. IEEE JOE 2021）、低成本传感器导航系统（Haugaløkken et al. IFAC 2024）等。在计算机视觉领域，Schellewald等人利用其立体视觉数据开发了网箱环境下的六自由度位姿估计算法。近期Botta团队更基于该数据集构建了首个水产养殖场景的同步定位与建图（SLAM）框架，相关成果发表于机器人顶级会议并进入产业化验证阶段。