Hilti SLAM Challenge 2023 Dataset and Benchmark

Hilti SLAM Challenge 2023数据集是由喜利得集团企业研究与技术部创建，旨在评估和推动单会话和多会话SLAM系统在建筑领域的应用。该数据集包含三个不同地点的序列，涵盖了从手持设备到建筑机器人的多种传感器配置。数据集的创建过程中，使用了先进的传感器和算法来确保数据的高精度和可靠性。该数据集主要用于解决SLAM系统在复杂环境中的定位和地图构建问题，特别是在建筑工地等动态变化的环境中。The Hilti SLAM Challenge 2023 Dataset was created by the Research & Technology Division of the Hilti Group, aiming to evaluate and advance the applications of single-session and multi-session SLAM systems in the construction industry. This dataset includes sequences collected from three distinct locations, covering a wide range of sensor configurations spanning from handheld devices to construction robots. Advanced sensors and algorithms were employed during the dataset's development to ensure high data accuracy and reliability. This dataset is primarily designed to address the challenges of localization and mapping for SLAM systems in complex environments, particularly dynamic and changing scenarios such as construction sites.

搜集汇总

数据集介绍

构建方式

在建筑机器人定位与建图领域，Hilti SLAM Challenge 2023数据集通过多平台、多会话的数据采集策略构建而成。该数据集整合了手持式扫描设备Phasma与重型建筑机器人Trailblazer的传感器数据，覆盖三个不同建筑环境，包括新建多层建筑、地下停车场改造现场及隧道仓库网络。数据采集采用高精度地面控制点作为真值基准，通过地面激光扫描仪获取毫米级精度的稀疏真值位置，并创新性地设计了激光雷达可观测的基准标记及其中心估计算法，以支持机器人平台的无接触真值注册。

特点

该数据集的核心特点在于其多设备与多会话的评估框架，突破了传统SLAM数据集的单一平台限制。数据集囊括了视觉、激光雷达与惯性测量单元等多种传感器模态，且传感器配置在手持与机器人平台间存在显著差异，如机器人平台特有的振动约束与大范围外参变换。此外，数据序列设计涵盖了从简单循环到复杂非结构化环境的多种轨迹，并包含亮度突变、狭窄走廊及重复结构等挑战性场景，为评估SLAM系统在不同传感器组合与环境条件下的鲁棒性提供了丰富样本。

使用方法

研究者可通过公开的数据集格式获取时间同步的传感器数据流与地面控制点信息，并利用提供的校准文件与URDF模型进行系统集成。数据集支持单会话与多会话SLAM的评估，参与者可提交在统一参考系下的轨迹估计，并可选配自定义外参校准以提升绝对轨迹误差的计算精度。评估系统采用分级评分机制，根据轨迹在地面控制点处的误差大小分配分数，并通过在线排行榜公开结果，从而推动SLAM技术在跨平台与长期建图方面的算法进步。

背景与挑战

背景概述

随着同步定位与建图技术在机器人导航与自主系统中的核心地位日益凸显，其精度与鲁棒性成为衡量系统性能的关键指标。Hilti SLAM Challenge 2023数据集由Hilti集团企业研发技术部门与苏黎世大学机器人感知研究组于2024年联合发布，旨在解决多设备跨传感器配置与多会话SLAM的公开基准缺失问题。该数据集聚焦于建筑工地等复杂现实场景，通过手持设备Phasma与机器人平台Trailblazer采集多模态传感器数据，并引入基于地面激光扫描仪的毫米级精度地面控制点提取方法，为SLAM系统在跨平台部署与长期建图任务中的性能评估提供了标准化测试环境，推动了相关领域从单一场景向动态多会话应用的演进。

当前挑战

该数据集致力于应对建筑环境中跨平台与多会话SLAM的评估挑战，其核心在于解决传感器配置差异导致的系统泛化能力不足，以及长期建图中地图对齐与一致性维护的难题。构建过程中，研究团队面临机器人平台振动干扰、大尺度外参标定精度保障，以及地面控制点在无人工干预下的高精度自动检测等工程障碍。此外，数据采集需在多变光照、狭窄走廊与重复结构场景中保持地面真值毫米级准确性，同时需平衡隐私保护与数据处理效率，这些因素共同构成了数据集构建与评估体系设计的复杂性。

常用场景

经典使用场景

在同步定位与建图领域，Hilti SLAM Challenge 2023数据集以其多传感器配置与多会话场景的独特设计，成为评估SLAM系统鲁棒性与跨平台适应性的经典基准。该数据集涵盖了建筑工地、地下停车场及隧道走廊等复杂环境，通过手持设备与机器人平台采集的激光雷达、视觉及惯性数据，为研究者提供了验证单会话与多会话SLAM算法在真实场景中性能的标准化测试平台。其高精度地面真值提取方法，基于地面控制点与毫米级标记检测算法，确保了轨迹评估的可靠性，推动了SLAM技术在动态与结构化环境中的前沿探索。

实际应用

在建筑自动化与机器人导航的实际应用中，该数据集直接服务于施工场景下的精准定位与地图构建需求。建筑环境常面临光照变化、结构重复及动态障碍等挑战，要求SLAM系统能在多设备协作与任务中断后仍保持高精度。数据集中的机器人平台Trailblazer模拟了重型设备的振动与平面约束运动，手持设备Phasma则覆盖了狭窄空间与多层楼宇的灵活探索，为施工机器人自主钻孔、扫描与质量监控等任务提供了算法验证环境。其多会话数据支持长期地图更新与协同作业，有助于推动机器人系统在施工现场的部署效率与安全性。

衍生相关工作

基于该数据集衍生的经典工作涵盖了激光雷达与视觉SLAM算法的多项创新。例如，KAIST团队融合AdaLIO前端与Quatro闭环检测的激光SLAM系统，在单会话任务中实现了亚厘米级精度；ETH Zurich实验室利用Maplab框架结合FastLio2与特征匹配，推动了多会话地图对齐与优化。腾讯XR实验室的MAVIS系统则通过SE2(3)李群预积分模型，提升了视觉惯性SLAM在传感器退化场景下的稳定性。这些工作不仅验证了数据集在算法比较中的效用，还促进了跨模态融合、长期建图及鲁棒后端优化等研究方向的发展，持续丰富了SLAM领域的开源生态。