MR6D

MR6D数据集是为移动机器人在工业环境中的6D位姿估计而设计的。它包含92个真实场景，涉及16个独特物体的静态和动态交互。该数据集捕捉了移动平台特有的挑战，包括远距离视图、不同的物体配置、更大的物体尺寸以及复杂的遮挡/自遮挡模式。MR6D为开发和评估针对移动机器人需求的位姿估计方法提供了基础。

搜集汇总

数据集介绍

构建方式

在工业移动机器人感知研究领域，MR6D数据集的构建采用了多环境多视角采集策略，涵盖静态与动态交互场景。其构建过程依托高精度运动捕捉系统（VICON）与结构光深度相机（RealSense D435i/L515），通过手眼标定与多视角三维重建技术生成精确的6D位姿标注。动态场景通过人工交互模拟真实作业环境，静态场景则采用半自动标注流程，结合机器人里程计与SFM算法进行尺度恢复与位姿优化，最终通过BOP工具链完成标注验证。

特点

MR6D的核心特征体现在其面向工业移动机器人的专有性：包含16类大尺度标准化物体（如欧标托盘与仓储容器），平均检测距离达2.5米，远超传统家居物体数据集。数据涵盖92个场景，包含极端视角、长距离检测、动态遮挡及自遮挡等挑战性条件，且提供高质量三维网格模型。其标注体系支持实例级位姿估计，并包含相同颜色物体的密集堆叠配置，显著提升了分割与位姿估计的难度。

使用方法

该数据集适用于未见物体6D位姿估计的评估与算法开发，支持两种典型流程：其一是结合真实2D掩码与位姿估计模型（如FoundationPose）的评估模式；其二是全未见管道，依赖分割模型（如CTL或SegmentAnything2）生成掩码后输入位姿估计网络。评估需遵循BOP基准指标（如平均召回率AR），重点关注长距离、遮挡及视角变化下的泛化性能。数据集可通过HuggingFace平台获取，支持合成数据生成以扩展训练集。

背景与挑战

背景概述

随着移动机器人在工业环境中的广泛应用，六维姿态估计技术成为实现精准物体定位与操作的核心挑战。传统数据集如YCB-V和T-LESS主要面向机械臂操纵的小型家居物体，难以满足移动机器人对远距离、大尺度物体的感知需求。2025年由多特蒙德工业大学与弗劳恩霍夫物流研究所联合发布的MR6D数据集，首次针对工业移动机器人场景设计，包含16类标准化物体（如欧标托盘和仓储容器）在静态与动态交互中的92组真实场景数据。该数据集通过模拟高速全向移动与自平衡机器人等典型工业平台，填补了远距离检测、极端视角及自遮挡等关键领域的空白，为移动机器人感知研究提供了更贴近实际的基准测试框架。

当前挑战

MR6D数据集着力解决工业移动机器人场景中两大核心挑战：在领域问题层面，需应对远距离探测（平均距离达2.5米）、极端摄像机视角（包括低角度仰视与平视）以及复杂自遮挡模式导致的姿态估计偏差，这些因素显著区别于传统机械臂的固定俯视视角；在构建过程中，动态场景需同步追踪摄像机与运动物体，通过运动捕捉系统与多校准策略消除标定误差，而室外场景因阳光干扰导致深度传感器失效，需结合机器人里程计与三维重建技术进行尺度恢复与手动标注优化，确保厘米级标注精度。

常用场景

经典使用场景

在移动机器人感知研究中，MR6D数据集被广泛应用于评估6D位姿估计算法在工业环境中的泛化能力。该数据集通过模拟真实场景中的长距离检测、极端视角和自遮挡等挑战，为研究者提供了标准化测试平台。其典型使用场景包括基于未见对象的位姿估计 pipeline 验证，以及分割模型与位姿估计模型的联合性能分析。

实际应用

该数据集直接服务于工业移动机器人的实际应用，包括仓储物流中的托盘定位、自动化仓库的货箱抓取，以及动态人机协作场景下的物体交互。通过模拟evoBOT等自平衡机器人和O3dyn全向移动机器人的作业视角，为高精度导航、抓取规划等核心功能提供了感知基础，显著提升了在真实光照变化和深度传感器退化条件下的系统鲁棒性。

衍生相关工作

基于MR6D的特性，衍生出两类代表性研究：一是针对长距离位姿估计的深度补全方法，如结合单目深度估计与背景去除的分割增强技术；二是动态场景下的多目标跟踪框架，通过运动捕捉系统与视觉算法的融合提升遮挡处理能力。这些工作推动了BOP基准指标的演进，促进了面向移动机器人的实体级分割等新研究方向。