smapper-light

SMapper-light是一个公开的多模态数据集，利用SMapper平台收集，适用于SLAM研究的开放硬件多传感器设备。该数据集提供了同步的LiDAR、多摄像头和IMU测量数据，用于视觉、LiDAR和视觉-惯性SLAM方法的基准测试。

原始信息汇总

SMapper-light 数据集概述

基本信息

• 许可证：Apache-2.0
• 任务类别：任意到任意
• 语言：英语
• 标签：SLAM、机器人技术、数据集、计算机视觉、传感器、多模态
• 数据集名称：SMapper-light
• 规模类别：10B<n<100B

数据集描述

SMapper-light 是一个公开可用的多模态数据集，使用 SMapper 平台收集。该平台是一个开放硬件的多传感器设备，专为 SLAM（同步定位与地图构建）研究设计。数据集提供同步的 LiDAR、多摄像头和 IMU 测量数据，可用于视觉、LiDAR 和视觉-惯性 SLAM 方法的基准测试。

应用场景

• 基准测试 LiDAR SLAM 框架（例如 Fast-LIO、S-Graphs）
• 基准测试视觉 SLAM 框架（例如 ORB-SLAM3、vS-Graphs）
• 基准测试多模态 SLAM 框架

数据概览

场景	实例	持续时间	磁盘大小	描述
室内	IN_SMALL_01	01分29秒	5.7 GB	狭小单房间环境
	IN_MULTI_01	06分46秒	13.5 GB	多房间线性轨迹
	IN_MULTI_02	07分07秒	13.0 GB	多房间带闭环
	IN_LARGE_01	09分30秒	57.9 GB	大规模室内带闭环
室外	OUT_CAMPUS_01	04分57秒	36.4 GB	校园线性路径
	OUT_CAMPUS_02	05分15秒	37.8 GB	校园环形路径
总计	-	35分04秒	164.3 GB

可用 ROS 2 主题

• 前左摄像头
  • /camera/front_left/camera_info
  • /camera/front_left/image_raw
• 前右摄像头
  • /camera/front_right/camera_info
  • /camera/front_right/image_raw
• 左侧摄像头
  • /camera/side_left/camera_info
  • /camera/side_left/image_raw
• 右侧摄像头
  • /camera/side_right/camera_info
  • /camera/side_right/image_raw
• Intel RealSense D435i
  • /camera/realsense/color/camera_info
  • /camera/realsense/color/image_raw
  • /camera/realsense/depth/camera_info
  • /camera/realsense/aligned_depth_to_color/camera_info
  • /camera/realsense/aligned_depth_to_color/image_raw
  • /camera/realsense/imu
• Ouster LiDAR (OS0-128)
  • /ouster/points
  • /ouster/imu
• 变换
  • /tf_static

相关链接

• SMapper 设备文档：https://snt-arg.github.io/smapper_docs/
• SMapper 工具箱：https://github.com/snt-arg/smapper_toolbox

搜集汇总

数据集介绍

构建方式

在机器人同步定位与建图研究领域，SMapper-light数据集通过开放式硬件平台SMapper采集多模态传感器数据。该平台集成激光雷达、多视角相机及惯性测量单元，在室内外多种场景下录制同步数据流，并以ROS 2主题形式存储时间对齐的原始测量信息，涵盖点云、图像、IMU及静态坐标变换数据。

特点

数据集呈现显著的多模态与高精度特性，包含6个不同尺度的室内外场景实例，总时长35分钟且数据量达164.3GB。其独特价值在于提供四路侧向相机与深度相机的协同观测，配合128线Ouster激光雷达的高密度点云，支持闭环检测、多房间遍历等复杂SLAM任务，为多传感器融合算法提供丰富的数据基础。

使用方法

研究者可通过HuggingFace平台获取数据集压缩包，解压后使用ROS 2工具链回放bag文件以重构传感器数据流。每个实例包含完整的标定参数与时空同步信息，可直接接入主流SLAM框架如ORB-SLAM3、Fast-LIO进行算法评估，同时配套的SMapper工具箱提供数据解析与可视化支持。

背景与挑战

背景概述

SMapper-light数据集作为多模态同步定位与地图构建研究的重要资源，由SNT-ARG研究机构基于开源硬件SMapper平台开发，于2023年正式发布。该数据集通过集成激光雷达、多视角相机和惯性测量单元，为机器人视觉与自主导航领域提供了高精度时空同步的传感器数据。其室内外多场景覆盖特性显著推动了视觉-激光雷达融合SLAM算法的验证进程，成为继KITTI、EuRoC之后新一代跨模态环境感知研究的基准数据集。

当前挑战

在SLAM领域，多传感器时空标定与异构数据融合始终是核心难题，SMapper-light需解决动态环境下视觉特征匹配歧义性与点云稀疏区域的互补性问题。数据集构建过程中面临多传感器硬件同步精度控制、大规模数据存储架构优化，以及室内外场景光照变化对传感器读数一致性的影响等工程挑战，这些因素共同构成了高质量多模态SLAM数据集的构建壁垒。

常用场景

经典使用场景

在同步定位与地图构建研究领域，SMapper-light数据集通过提供多传感器同步采集的室内外环境数据，成为评估视觉SLAM、激光SLAM以及多模态融合SLAM算法性能的基准平台。其经典应用场景包括在受限单房间环境、多房间线性轨迹以及大规模室内闭环场景中测试算法定位精度与地图一致性，为SLAM系统的稳健性验证提供全面支撑。

解决学术问题

该数据集有效解决了多模态SLAM研究中传感器时序同步、异构数据融合以及复杂环境下算法泛化能力等关键学术问题。通过提供精确时间对齐的LiDAR、多视角相机与IMU数据，支持研究者突破单一传感器局限，探索跨模态特征关联与协同定位机制，对推动SLAM理论从单一模态向多模态智能感知演进具有重要学术价值。

衍生相关工作

基于该数据集衍生的经典工作包括多模态SLAM框架S-Graphs的扩展研究、视觉-惯性-激光融合定位算法的性能优化，以及跨传感器标定方法的创新。这些研究不仅提升了复杂动态环境下的定位精度，还推动了开源SLAM生态系统的发展，为后续研究者提供了可复现的基准对比与算法改进方向。