MonoRaceGate

无人机竞赛门数据集，包含精确的角点标签。

Drone Racing Gate Dataset with Accurate Corner Labels.

原始信息汇总

MonoRaceGate 数据集概述

数据集简介

MonoRaceGate 是一个用于无人机竞速的栅栏门数据集，其特点是提供了精确的角点标签。

数据内容与标签

• 数据集包含图像数据。
• 标签文件为 corner.csv，其中包含栅栏门内角点的 x 和 y 坐标。坐标顺序依次为：左上角、右上角、右下角、左下角。

相关论文

数据集对应论文为《MonoRace: Winning Champion-Level Drone Racing with Robust Monocular AI》（arXiv:2601.15222）。

搜集汇总

数据集介绍

构建方式

在无人机竞速领域，精确的视觉感知是实现自主飞行的关键。MonoRaceGate数据集通过采集真实无人机竞速场景中的门框图像，并采用人工标注的方式，为每张图像中的门框内角点提供了精确的二维坐标。这些坐标按照左上、右上、右下、左下的顺序进行组织，确保了标注的一致性与几何结构的完整性，为单目视觉下的门框检测与姿态估计任务奠定了可靠的数据基础。

使用方法

研究人员可通过GitHub仓库提供的自动化脚本便捷地获取与准备数据。使用前需配置指定的Conda环境以确保依赖一致性，随后执行`make`命令即可自动完成数据下载与掩码生成等预处理步骤。数据集可直接用于训练和评估单目视觉下的门框角点检测模型，相关研究成果已在预印本论文中详细阐述，为后续研究提供了重要的技术参考与比较基准。

背景与挑战

背景概述

在无人机竞速领域，视觉导航系统是实现自主飞行的核心技术，而精确检测赛道门框是保障无人机高速、稳定通过的关键。MonoRaceGate数据集由Stavrow A. Bahnam、Christophe De Wagter等研究人员于2026年创建，隶属于代尔夫特理工大学等机构的研究项目。该数据集旨在为单目视觉下的无人机竞速门框检测提供高精度角点标注，核心研究问题聚焦于如何通过单摄像头实现冠军级水平的鲁棒性导航。其发布推动了基于单目视觉的无人机自主竞速算法发展，为轻量化、低功耗的实时感知系统提供了重要数据支撑。

当前挑战

该数据集所解决的领域问题在于单目视觉下的无人机竞速门框检测，挑战主要体现在高速运动导致的图像模糊、光照变化引起的门框特征退化，以及复杂背景干扰下的角点定位精度。构建过程中的挑战涉及数据采集的同步性与一致性，需要在真实竞速环境中捕获多角度、多光照条件下的门框图像；同时，精确角点标注要求人工或半自动方法在图像中精确定位内角坐标，确保标注质量与算法训练的有效性，这增加了数据处理的复杂度与时间成本。

常用场景

经典使用场景

在无人机竞速领域，MonoRaceGate数据集为单目视觉导航算法的开发与验证提供了关键支持。该数据集通过精确标注的竞赛门框角点坐标，使得研究人员能够训练和评估无人机在高速飞行中实时检测与定位门框的能力。经典使用场景包括模拟真实竞赛环境，测试算法在复杂光照和动态背景下的鲁棒性，为单目视觉SLAM和路径规划研究奠定数据基础。

解决学术问题

该数据集有效解决了无人机自主竞速中单目视觉感知的精度与实时性难题。通过提供高精度的门框角点标签，它支持了基于深度学习的角点检测、姿态估计和三维重建算法的研究，弥补了传统传感器在轻量化和成本上的局限。其意义在于推动了纯视觉导航在动态高速场景下的理论突破，为低功耗自主系统的学术探索提供了可重复验证的基准。

实际应用

MonoRaceGate数据集的实际应用直接体现在无人机竞速赛事和自主飞行系统中。基于该数据训练的模型可部署于实际竞赛无人机，实现无需外部定位设备的门框穿越与轨迹优化，提升飞行速度与稳定性。此外，它在农业巡检、紧急救援等需要敏捷避障的领域也具有潜在价值，为轻量级视觉导航技术的工程化落地提供了数据支撑。

数据集最近研究

最新研究方向

在无人机竞速领域，视觉导航技术正经历从传统多传感器融合向轻量化单目感知的深刻转型。MonoRaceGate数据集凭借其高精度的门框角点标注，为单目视觉下的实时门框检测与姿态估计提供了关键基准。当前研究热点聚焦于利用该数据集训练端到端的深度学习模型，以实现在复杂动态环境中对竞速门框的鲁棒识别与三维重建，从而推动自主无人机在高速竞速场景下的精准控制与避障能力。这一进展不仅加速了轻量级AI算法在边缘设备上的部署，也为无人机在物流、巡检等实际应用中的自主导航奠定了理论基础。