Awesome SLAM Datasets

本仓库收集了与SLAM相关的数据集，包括提供姿态和地图信息的各种SLAM数据集。数据集按类别分类，如评估方法、主题、特征、平台和环境等。

This repository compiles datasets related to SLAM (Simultaneous Localization and Mapping), encompassing a variety of SLAM datasets that provide pose and map information. The datasets are categorized by criteria such as evaluation methods, themes, features, platforms, and environments.

原始信息汇总

数据集概述

数据集描述

• 名称: Awesome SLAM Datasets
• 目的: 收集与SLAM相关的数据集，特别是提供姿态和地图信息的数据集。
• 链接: Awesome SLAM Datasets

数据集分类

数据集根据不同的标准进行分类，包括评估方法、主题、特性、平台和环境。

评估

• 评估方法: 用于轨迹和SLAM方法的评估工具。

主题

• Odometry: 用于里程计基准的数据集。
• Mapping: 用于地图构建任务的数据集。
• Place Recognition: 提供地点（图像）对应关系的数据集。
• Localization: 用于度量级定位的数据集。
• Perception: 带有语义标签/对应关系的数据集。

特性

• Large-scale: 城市规模地图，公里级地图。
• Long-term: 多会话，长期数据收集。
• Map Complexity: 地图结构的变化。
• Extreme Condition: 极端环境，运动。

平台

• Vehicle (Veh): 商用车辆（四轮道路车辆）。
• Mobile robot (Mob): 移动机器人（如Husky, Rover等）。
• Unmanned Aerial Vehicle (UAV): 无人机包括无人机。
• Autonomous Underwater Vehicle (AUV): 水下机器人包括ROV。
• Unmanned Surface Vehicle (USV): 水面车辆如独木舟和船。
• Hand-held Device (Hand): 人类手持平台。

环境

• Urban: 城市、校园、城镇和基础设施。
• Indoor: 室内环境。
• Terrain: 粗糙地形、地下、湖泊和农场。
• Underwater: 水下地板、洞穴。

数据集列表

以下是部分数据集的详细信息：

Shortname	Affiliation	Year	Platform	Publication	Environment	GT-Pose	GT-Map	IMU	GPS	Labels	Lidar	Cameras	RGBD	Event	Radar	Sonar	DVL	Other
UZH-FPV Drone Racing	UZH, ETH	2019	UAV	ICRA	Indoor, Urban	O		O				O		O
FMDataset	Hangzhou Dianzi / Tsinghua	2019	Hand	ICME	Indoor			O					O
Rosario Dataset	CONICET-UNR	2019	Mob	IJRR	Terrain	O		O				O						Encoder
Collaborative SLAM Dataset (CSD)	Oxford	2018	Hand	TVCG/ISMAR	Indoor	O	O	O				O	O					Tango (Asus ZenFone AR)
ADVIO Dataset	Aalto U	2018	Hand	ECCV	Urban	O	O	O				O						iPhone, Tango, Pixel
DeepIO Dataset	Oxford	2018	Hand	Arxiv	Indoor	O		O
Aqualoc Dataset	ONERA-DTIS	2018	ROV	IROS WS	Underwater	O		O				O						Pressure Sensor
InteriorNet	Imperial College	2018	Hand	BMVC	Indoor	O	O	O		O		O	O	O				Texture, Lighting, Context, Optical Flow
SPO Dataset	TUM, Karlsruhe	2018	Hand	Arxiv	Urban	O						O						Plenoptic Camera
Complex Urban	KAIST-IRAP	2018	Veh	ICRA	Urban	O	O	O	O		O							Encoder
KAIST Day/Night	KAIST-RCV	2018	Veh	T-ITS	Urban	O		O	O	O	O	O						Thermal Camera
TUM-Visual-Inertial	TUM	2018	Hand	Arxiv	Indoor, Urban			O					O		O
Multi Vech Event	Upenn	2018	Veh	RA-L	Urban	O		O	O		O	O		O
VI Canoe	UIUC	2018	USV	IJRR	Terrain	O		O	O			O
MPO-Japan	ETH-RPG	2017	UAV / Hand	IJRR	Indoor	O		O				O		O
Underwater Cave	UDG	2017	AUV	IJRR	Underwater	O		O				O				O	O	Profiling Sonar
Robot @ Home	MRPT	2017	Mob	IJRR	Indoor	O	O			O	O		O					Semantic Labels
Zurich Urban MAV	ETH-RPG	2017	UAV	IJRR	Urban	O		O	O			O						Streetview images
Chilean Underground	Trimble	2017	Mob	IJRR	Terrain (Underground)	O					O	O			O			Encoder
SceneNet RGB-D	Imperial	2017	Hand	ICCV	Indoor	O				O			O
Symphony Lake	Georgia Tech	2017	USV	IJRR	Terrain (Lake)			O	O		O	O						PTZ camera, Longterm
Agricultural robot	Bonn	2017	Mob	IJRR	Terrain	O			O	O	O	O	O					Multispectral camera
Beach Rover	TEC-MMA	2017	Mob		Terrain	O		O	O		O	O	O					Encoder
EuRoC	ETH-ASL	2016	UAV	IJRR	Indoor	O	O	O				O
Cartographer	Google	2016	Hand	ICRA	Indoor			O			O	O
TUM-Mono	TUM	2016	Hand	Arxiv	Indoor, Urban										O			Photometric Calibration
Cityscape	Daimler AG	2016	Veh	CVPR	Urban	O			O	O		O
Solar-UAV	ETHZ	2016	UAV	CVPR	Terrain	O	O	O	O		O
CoRBS	DFKI	2016	Hand	WACV	Indoor	O	O						O
Oxford-robotcar	Oxford	2016	Veh	IJRR	Urban	O		O	O		O	O
NCLT	UMich	2016	Mob	IJRR	Urban	O		O	O		O							FOG
RPG-event	Kyushu U	2016	Veh	IROS	Urban, Terrain			O	O		O	O						FARO 3D
CCSAD	CIMAT	2015	Veh	CAIP	Urban			O	O			O
TUM-Omni	TUM	2015	Hand	IROS	Indoor, Urban							O
Augmented ICL-NUIM	Redwood	2015	Hand	CVPR	Indoor	O	O						O
Cambridge Landmark	Cambridge	2015	Hand	ICCV	Urban	O	O					O
ICL-NUIM	Imperial	2014	Hand	ICRA	Indoor	O	O						O
MRPT-Malaga	MRPT	2014	Veh	AR	Urban			O	O		O	O
KITTI	KIT	2013	Veh	IJRR	Urban	O		O	O	O	O	O
Canadian Planetary	UToronto	2013	Mob	IJRR	Terrain	O		O	O		O (sensor)	O
Microsoft 7 scenes	Microsoft	2013	Hand	CVPR	Indoor	O	O					O
SeqSLAM	QUT	2012	Veh	ICRA	Urban					O		O
ETH-challenging	ETH-ASL	2012	Hand	IJRR	Urban, Terrain

搜集汇总

数据集介绍

构建方式

Awesome SLAM Datasets 是一个专注于同步定位与地图构建（SLAM）相关数据集的集合，涵盖了多种提供姿态和地图信息的数据集。该数据集的构建基于对现有公开数据集的筛选与整理，确保每个数据集都具备高质量的传感器数据和精确的定位信息。数据集通过多个维度进行分类，包括平台类型、环境特征、数据采集条件等，旨在为SLAM算法的研究提供多样化的数据支持。

特点

该数据集的特点在于其广泛的数据覆盖范围，涵盖了从城市环境到水下、室内到复杂地形的多种场景。每个数据集都提供了详细的传感器信息，如IMU、GPS、激光雷达、摄像头等，且部分数据集还包含语义标签和极端条件下的数据采集。此外，数据集还提供了多种评估工具，帮助研究人员对SLAM算法的性能进行量化分析。

使用方法

使用Awesome SLAM Datasets时，研究人员可以通过访问其GitHub页面或关联的Google站点获取完整的数据集列表和详细信息。数据集按类别分类，用户可以根据研究需求选择适合的数据集进行下载和使用。每个数据集的使用方法通常包括数据加载、传感器数据融合、以及SLAM算法的实现与评估。数据集还提供了多种评估工具，帮助用户对算法的轨迹精度和地图构建效果进行量化分析。

背景与挑战

背景概述

Awesome SLAM Datasets 是一个专注于同步定位与地图构建（SLAM）相关数据集的集合，旨在为研究人员提供丰富的多模态数据资源。该数据集由多个研究机构和学者共同维护，涵盖了从室内到城市、从陆地到水下等多种复杂环境下的数据。自2016年发布以来，Awesome SLAM Datasets 已成为SLAM领域的重要参考资源，广泛应用于机器人导航、自动驾驶、增强现实等领域。其核心研究问题在于如何通过多传感器融合（如IMU、激光雷达、摄像头等）实现高精度的定位与地图构建，并为算法评估提供标准化基准。该数据集的影响力不仅体现在其广泛的应用场景中，还体现在其推动了SLAM算法的多样性与鲁棒性研究。

当前挑战

Awesome SLAM Datasets 面临的挑战主要体现在两个方面。首先，SLAM领域本身的核心问题在于如何在复杂、动态环境中实现高精度的定位与地图构建。这要求数据集能够涵盖多样化的环境条件（如极端天气、光照变化、动态障碍物等），并提供精确的传感器数据与地面真值。然而，现有数据集在某些极端条件下的覆盖仍然不足，限制了算法的泛化能力。其次，数据集的构建过程中也面临诸多挑战，包括多传感器数据的同步与校准、大规模数据采集与存储、以及地面真值的精确标注。这些技术难题不仅增加了数据集的构建成本，也对数据质量提出了更高要求。此外，随着SLAM技术的快速发展，数据集的更新与扩展也需紧跟前沿研究需求，以保持其时效性与实用性。

常用场景

经典使用场景

Awesome SLAM Datasets 是一个专门用于同步定位与地图构建（SLAM）研究的数据集集合，涵盖了多种环境和平台下的数据。这些数据集广泛应用于机器人导航、自动驾驶、增强现实（AR）和虚拟现实（VR）等领域。经典的使用场景包括在复杂城市环境中进行高精度定位与地图构建，以及在室内环境中进行密集的三维重建。通过提供多模态传感器数据（如IMU、GPS、激光雷达、RGB-D相机等），这些数据集为SLAM算法的开发与评估提供了丰富的实验基础。

衍生相关工作

Awesome SLAM Datasets 衍生了许多经典的研究工作，例如基于KITTI数据集的视觉里程计算法优化、基于EuRoC数据集的视觉惯性SLAM系统开发，以及基于Oxford RobotCar数据集的多传感器融合研究。这些工作不仅推动了SLAM算法的性能提升，还为相关领域的应用提供了技术基础。此外，该数据集还催生了许多开源工具和框架，如ORB-SLAM、VINS-Mono和LIO-SAM等，进一步促进了SLAM技术的普及与发展。

数据集最近研究

最新研究方向

近年来，随着SLAM（同步定位与地图构建）技术在自动驾驶、机器人导航以及增强现实等领域的广泛应用，Awesome SLAM Datasets作为SLAM相关数据集的集合，持续推动着该领域的研究进展。最新的研究方向聚焦于多模态数据融合与极端环境下的SLAM性能优化。例如，UZH-FPV无人机竞速数据集通过结合RGB、事件相机和IMU数据，探索了高速状态估计的挑战；而Complex Urban数据集则通过引入立体相机图像，进一步提升了城市复杂环境下的地图构建精度。此外，随着ICRA 2019等国际会议的推动，越来越多的新型数据集如Waymo和Nuscenes被引入，为SLAM算法在真实场景中的鲁棒性和泛化能力提供了更丰富的测试平台。这些数据集不仅推动了SLAM技术的理论发展，也为实际应用中的技术落地提供了重要支持。