CAVERS

CAVERS是由都灵理工大学和马拉加大学联合创建的多模态洞穴SLAM数据集，采集自西班牙马拉加的维多利亚洞穴两个结构迥异的岩溶厅室。该数据集包含约335GB的同步RGB-D图像、惯性数据、3D激光雷达及近红外热成像数据，涵盖手持与轮式机器人两种平台在黑暗/人工照明条件下的55,000余帧数据，并首次通过洞内安装的运动捕捉系统提供毫米级精度的120Hz位姿真值。数据集通过复杂岩溶环境下的多传感器融合，旨在解决自然洞穴中因不规则几何、高反射表面及无光照导致的SLAM算法性能评估难题，为地下自主导航与三维重建研究提供基准。

CAVERS is a multimodal cave SLAM dataset jointly developed by Politecnico di Torino and the University of Málaga. It was collected from two structurally distinct karst chambers within the Victoria Cave in Málaga, Spain. This dataset contains approximately 335 GB of synchronized RGB-D images, inertial measurement data, 3D LiDAR, and near-infrared thermal imaging data, covering over 55,000 frames from two robotic platforms—handheld and wheeled robots—operating under both dark and artificial lighting conditions. For the first time, this dataset provides 120Hz pose ground truth with millimeter-level accuracy, obtained via a motion capture system installed inside the cave. Leveraging multi-sensor fusion in complex karst environments, this dataset aims to address the challenges of evaluating SLAM algorithm performance in natural caves, which stem from irregular geometry, highly reflective surfaces, and total darkness, providing a benchmark for research on underground autonomous navigation and 3D reconstruction.

原始信息汇总

CAVERS 数据集概述

数据集基本信息

• 数据集名称：CAVERS dataset
• 数据集访问地址：https://doi.org/10.5281/zenodo.19367714
• 关联论文（预印本）：https://arxiv.org/abs/2604.15052
• 许可证：MIT License
• 编程语言环境：Python 3.10

数据集内容与用途

该数据集是一个用于SLAM（同步定位与地图构建）研究的多模态数据集，数据采集于一个天然喀斯特洞穴环境。数据集包含带有真实运动捕捉（Motion Capture）地面真值的多传感器数据。

数据格式与记录

• 记录格式：ROS2 Humble 的 rosbag
• 存储格式：mcap 格式
• 包含的传感器数据：热成像相机原始浮点温度矩阵（需要自定义消息定义）、RealSense 相机数据、Velodyne 激光雷达数据。

数据使用与处理

数据回放

提供了两种数据回放方式：

1. 使用 Docker 容器：包含完整的环境配置，可通过提供的 Docker 镜像快速启动。
2. 本地安装：需要手动安装 ROS2 Humble 及相关依赖包（ros-humble-rosbag2-storage-mcap、ros-humble-realsense2-camera-msgs、ros-humble-velodyne-msgs）。

数据导出

提供 Python 脚本 (export_logs.py) 可将 mcap 格式的录制数据导出为原始数据格式。脚本依赖列于 requirements.txt 文件中。

作者与致谢

作者：

• Giacomo Franchini (ORCID: https://orcid.org/0009-0009-5641-8346)
• David Rodríguez-Martínez (ORCID: https://orcid.org/0000-0003-4817-9225)
• Alfonso Martínez-Petersen (ORCID: https://orcid.org/0009-0000-5117-6231)

导师：

• Carlos Pérez del Pulgar (ORCID: https://orcid.org/0000-0001-5819-8310)
• Marcello Chiaberge (ORCID: https://orcid.org/0000-0002-1921-0126)

致谢：感谢 Giovanni Mastrorocco, Jesus Juli Fernández, Levin Gerdes, Pedro Cantalejo Duarte 和 Pedro Cantalejo Espejo 的帮助与支持。

引用格式

如果使用此工作，请引用：

@article{franchini2026cavers, title={{CAVERS}: Multimodal SLAM Data from a Natural Karstic Cave with Ground Truth Motion Capture}, author = {Franchini, Giacomo, Rodríguez-Martínez, David, Martínez-Petersen, Alfonso, Pérez del Pulgar, C.J. and Chiaberge, Marcello}, journal={arXiv preprint arXiv:2604.15052}, volume={}, number={}, doi = {https://doi.org/10.48550/arXiv.2604.15052}, url = {https://arxiv.org/abs/2604.15052}, year = {2026} }

搜集汇总

数据集介绍

构建方式

在自然喀斯特洞穴环境中构建多模态数据集面临独特挑战，CAVERS的构建过程体现了严谨的科学方法。数据采集于西班牙马拉加的Cueva de la Victoria洞穴内两个结构迥异的洞室，通过手持与轮式机器人两种平台配置，在完全黑暗与人工照明条件下同步记录多传感器数据。传感器套件集成了Intel RealSense D435i RGB-D-I相机、Optris PI640i近红外热成像相机与Velodyne VLP-16激光雷达，确保了视觉、深度、热辐射与三维点云信息的全面覆盖。尤为关键的是，研究团队在洞穴内部直接部署了Optitrack运动捕捉系统，为多数序列提供了毫米级精度、120赫兹频率的六自由度位姿与速度真值，这为SLAM算法的定量评估奠定了可靠基础。

特点

CAVERS数据集的核心特征在于其针对极端地下环境的全面性与高精度基准。数据集囊括了24条序列，总计约335GB数据，包含近55,000幅RGB与热成像图像，并提供了同步的惯性测量单元数据与三维激光雷达点云。其环境多样性体现在两个几何结构、尺度与复杂性各异的洞室中，涵盖了不规则几何、狭窄通道、垂直结构、高反射性湿润表面等典型喀斯特洞穴特征。照明条件从全黑暗到人工光源的多样性设置，有效模拟了实际勘探中的感知挑战。数据集以ROS 2 rosbag格式与原始传感器数据双重形式提供，确保了与机器人研究生态系统的兼容性与使用的灵活性。

使用方法

该数据集主要服务于自然地下环境中同步定位与建图算法的开发与基准测试。研究人员可利用其多模态数据流，对视觉、视觉-惯性、热-惯性及激光雷达SLAM流程进行综合评估。对于定位评估序列，高精度运动捕捉真值支持对算法轨迹精度进行定量分析，如计算绝对轨迹误差。对于缺乏真值的序列，可采用激光雷达SLAM的估计轨迹作为参考基准。此外，专为重建设计的序列支持洞穴三维建模与地图构建研究，例如通过RGB图像进行神经辐射场重建或利用激光雷达点云生成完整环境地图。数据集提供的校准参数、时间戳同步信息及标准化数据格式，便于用户直接集成到现有算法管道中进行性能验证与比较。

背景与挑战

背景概述

CAVERS数据集由意大利都灵理工大学服务机器人跨系中心与西班牙马拉加大学系统工程与自动化系的研究团队于2026年联合创建，旨在应对自然喀斯特洞穴环境中机器人自主导航与感知的独特挑战。该数据集聚焦于解决在完全黑暗、几何结构高度不规则、表面湿滑且具有反射性的复杂地下环境中，同步定位与地图构建算法的性能评估问题。通过在西班牙马拉加的维多利亚洞穴两个结构迥异的洞室中部署多模态传感器阵列，并首次在洞穴内部安装高精度运动捕捉系统提供毫米级地面真值轨迹，CAVERS填补了自然喀斯特洞穴环境下高质量、多模态SLAM数据集的空白，为地下机器人学、行星探测与灾害响应等领域的研究提供了关键基准。

当前挑战

CAVERS数据集所针对的核心领域挑战在于，如何在缺乏先验地图、全球导航卫星系统信号与可靠通信的极端地下环境中，实现鲁棒且高精度的同步定位与地图构建。具体表现为：洞穴近零环境光与人工照明造成的高动态范围使得视觉特征提取困难；不规则几何形态与狭窄通道导致传感器视野受限与闭环检测失效；水蚀形成的反射表面干扰深度相机与激光雷达的测距精度。在数据集构建过程中，研究团队面临严峻的工程与后勤挑战：需将精密传感设备与运动捕捉系统通过狭窄通道运输至洞穴深处，并在空间受限、湿度极高的恶劣条件下完成系统部署与校准；为保持洞穴原始生态，部分序列需在无仪器布景条件下采集，导致地面真值数据缺失；手持操作与线缆数据记录不可避免地引入了操作人员的热信号与动态障碍物点云等干扰因素。

常用场景

经典使用场景

在自然喀斯特洞穴环境中，CAVERS数据集为同步定位与地图构建算法的性能评估提供了经典场景。该数据集通过整合RGB-D图像、热成像、激光雷达及惯性测量单元数据，模拟了洞穴内完全黑暗与人工照明条件下的多模态感知挑战。研究人员利用其毫米级精度的运动捕捉地面真值轨迹，能够系统性地测试视觉、视觉-惯性、热-惯性及激光雷达SLAM管线的鲁棒性与准确性，尤其在应对不规则几何结构、高反射湿润表面及特征匮乏区域时展现出独特价值。

衍生相关工作

CAVERS数据集已催生一系列针对极端环境感知的经典研究工作。在算法层面，研究者基于其多模态特性开发了视觉-热惯性融合里程计，提升了暗光条件下的跟踪稳定性；激光雷达点云配准方法如GENZ-ICP通过自适应加权策略在该数据集上验证了其对振动与高速运动的鲁棒性。在系统层面，数据集被用于测试如RTAB-Map等开源SLAM库的扩展性能，并支撑了基于高斯溅射的洞穴三维重建管线开发，推动了地下环境数字化建模技术的进步。

数据集最近研究

最新研究方向

在自然喀斯特洞穴环境中，机器人自主导航与建图技术正面临前所未有的感知挑战。CAVERS数据集以其多模态传感器融合与毫米级精度的运动捕捉地面真值，为地下SLAM研究开辟了新的前沿方向。当前研究热点聚焦于极端光照条件下的视觉-惯性-热融合算法优化，以及激光雷达在非结构化几何环境中的鲁棒性提升。该数据集通过模拟真实洞穴勘探场景，推动了跨模态感知技术在DARPA地下挑战赛等重大事件背景下的算法验证与性能基准测试，对行星探测、灾害救援等领域的自主系统发展具有深远意义。

相关研究论文

• CAVERS: Multimodal SLAM Data from a Natural Karstic Cave with Ground Truth Motion Capture

  都灵理工大学·服务机器人跨部门中心; 马拉加大学·系统工程与自动化系 · 2026年