CU-Multi

CU-Multi是一个多机器人协作感知数据集，由科罗拉多大学波尔得分校的自主机器人与感知小组收集。该数据集包含在两个大型户外场地进行的四次同步运行，具有对齐的起始时间和受控的轨迹重叠，复制了机器人团队的独特视角。数据集包括RGB-D传感、RTK GPS、语义LiDAR和精确的地面真实里程计。通过结合重叠变化和密集的语义注释，CU-Multi为多机器人协作感知任务的可重复评估提供了坚实的基础。

搜集汇总

数据集介绍

构建方式

在协作机器人感知研究领域，构建具有真实多机器人交互特性的数据集至关重要。CU-Multi数据集通过单平台多会话采集策略实现，在科罗拉多大学博尔德分校两个大型户外环境中部署四台机器人，采用严格时空同步与可控轨迹重叠设计。数据采集整合了64线激光雷达、RGB-D相机、RTK-GPS与IMU等多模态传感器，并通过精密的时间同步协议确保数据一致性。地面真值通过融合RTK-GPS、数字高程模型与激光雷达惯性里程计，结合因子图优化算法生成，同时采用两阶段自动化流程对激光雷达点云进行语义标注。

特点

该数据集显著特征体现在其系统化设计的轨迹重叠模式，通过机器人间差异化路径规划实现视角多样性，其中机器人1与2具有高度重叠轨迹，机器人3扩展前两者覆盖范围，机器人4则整合全部轨迹形成最大观测区域。数据集总轨迹长度达16.7公里，包含精细的语义激光雷达标注与多模态传感器同步数据。独特的会合点设计使所有轨迹终点汇聚于5米范围内，模拟真实多机器人协同场景。相较于现有数据集，其长轨迹设计与密集语义标注为评估协作SLAM算法提供了更真实的测试环境。

使用方法

研究者可通过官方提供的工具链灵活调用数据集，支持ROS1/ROS2格式转换与轨迹剪辑功能，便于构建不同重叠程度的实验场景。数据集采用分层目录结构组织，每个机器人独立目录包含传感器数据包与地面真值文件。典型应用包括多机器人协作SLAM算法验证，通过扫描上下文描述符进行激光雷达位置识别，以及评估跨机器人数据关联性能。配套的轨迹剪辑工具支持自定义时空重叠配置，适用于距离约束通信场景下的算法测试，为多机器人感知研究提供标准化评估基准。

背景与挑战

背景概述

多机器人协同感知作为自主系统领域的重要研究方向，其核心在于解决分布式机器人间感知数据的融合难题。CU-Multi数据集由科罗拉多大学博尔德分校自主机器人感知组联合麻省理工学院、卡内基梅隆大学等机构于2025年共同发布，旨在填补多机器人协作SLAM领域标准化数据资源的空白。该数据集通过四台机器人在大型户外环境中的同步运行，提供了包含RGB-D感知、RTK GPS、语义LiDAR等多模态数据，其16.7公里总轨迹长度与受控路径重叠设计，为研究多机器人空间认知一致性提供了重要基准。

当前挑战

多机器人协同SLAM领域长期面临真实数据匮乏的挑战，现有研究多采用单机器人轨迹分割的替代方案，难以模拟实际任务中机器人视角差异与异步观测特性。CU-Multi构建过程中需攻克多机器人时空对齐、复杂环境下RTK GPS信号漂移补偿、大规模LiDAR数据语义标注等难题。该数据集通过精密设计的 rendezvous 轨迹结构与多源融合定位技术，为评估跨机器人闭环检测、异构图优化等核心算法提供了标准化测试平台。

常用场景

实际应用

在实际应用层面，CU-Multi支持的城市规模多机器人协同导航系统开发具有重要价值。其涵盖的校园环境包含建筑密集区与开阔地带，模拟了城市搜索救援、大规模环境监测等现实场景。数据集提供的多模态传感器数据可直接用于开发分布式建图系统，支持机器人在GPS信号受限区域的协同定位。语义LiDAR标注进一步推动了环境理解算法的落地应用，为自动驾驶车队协同感知等工业场景提供了技术验证基础。

衍生相关工作

基于CU-Multi数据集已衍生出多项创新性研究工作。在协同SLAM方向，研究者扩展了DiSCo-SLAM算法支持四机器人协同建图，验证了系统在复杂轨迹下的稳定性。在位置识别领域，ScanContext描述符在数据集上的测试揭示了视角变化对闭环检测的影响规律。这些工作共同推动了多机器人感知理论的发展，特别是针对异质机器人团队协同、动态环境适应等前沿问题提供了新的解决方案和验证手段。