BotanicGarden

BotanicGarden数据集由上海交通大学创建，涵盖超过48000平方米的茂密植物园环境，包含33个长短序列，总轨迹长度达17.1公里。数据集通过配备多种传感器（包括灰度和RGB立体相机、旋转和MEMS 3D激光雷达、低成本和工业级IMU）的全地形轮式机器人收集，覆盖了密集的森林、河岸、狭窄的小径、桥梁和草地等多种自然地形。该数据集旨在推动机器人导航和传感器融合研究，特别是在GNSS受限、纹理单调、植被密集的自然环境中，提供了高精度的自我运动和3D地图地面实况，以及精细标注的视觉语义信息。

The BotanicGarden Dataset was developed by Shanghai Jiao Tong University. It encompasses a dense botanical garden environment covering an area of over 48,000 square meters, and includes 33 sequences of varying lengths with a combined total trajectory length of 17.1 kilometers. The dataset was gathered using an all-terrain wheeled robot equipped with a comprehensive suite of sensors: grayscale and RGB stereo cameras, rotating and MEMS 3D LiDARs, as well as low-cost and industrial-grade IMUs. The collected data spans diverse natural terrains including dense forests, riverbanks, narrow trails, bridges and grasslands. This dataset is intended to advance research in robotic navigation and sensor fusion, particularly in GNSS-constrained, texture-poor and densely vegetated natural environments, by providing high-precision ground truth for ego-motion estimation and 3D mapping, alongside finely annotated visual semantic information.

搜集汇总

数据集介绍

构建方式

BotanicGarden数据集构建于一个超过48000平方米的茂盛植物园内，使用全地形轮式机器人Scout V1.0进行数据采集。该机器人配备有立体灰度相机、立体RGB相机、旋转式和MEMS 3D激光雷达、低成本和工业级惯性测量单元（IMU）等多种传感器，并通过精心设计的硬件触发器和基于PTP的网络实现高精度的时间同步。数据采集涵盖了厚密的树林、河岸、狭窄的小径、桥梁和草地等多种自然元素，共计33个短长序列，形成总计17.1公里的轨迹。为了确保数据质量，对传感器进行了精确的空间标定，并提供了高精度的3D地图和轨迹真实值。

特点

BotanicGarden数据集的特点在于其场景的多样性和复杂性，涵盖了厚密的树林、河岸、狭窄的小径、桥梁和草地等多种自然元素，这对于机器人导航算法的鲁棒性测试具有重要意义。此外，该数据集还提供了高精度的3D地图和轨迹真实值，以及细粒度的视觉语义标注，为机器人导航和传感器融合研究提供了全面的参考。数据集的时间同步和空间标定精度均处于行业领先水平，支持多种主流传感器模态及其融合算法的测试和评估。

使用方法

BotanicGarden数据集可用于机器人导航算法的研究和评估，包括但不限于立体视觉、视觉-惯性、激光雷达-惯性、视觉-激光雷达-惯性等多种方法。用户可以通过比较算法的相对位姿误差（RPE）和绝对轨迹误差（ATE）等指标，评估算法在不同场景下的性能表现。此外，该数据集还可用于其他机器人任务的研究，例如3D地图构建、语义分割、图像定位、深度估计等。

背景与挑战

背景概述

随着移动机器人和自主导航技术的快速发展，公共数据集在测试和升级中发挥着至关重要的作用。BotanicGarden数据集正是为了填补当前数据集在无结构自然环境中导航研究的空白而创建的。该数据集由上海交通大学感知科学与工程学院的研究人员于2022年10月采集，并由IEEE Robotics and Automation Letters于2024年1月接受发表。数据集的核心研究问题是提高机器人在无结构自然环境中，如GNSS信号丢失、纹理单调、植被密集的区域的导航性能和鲁棒性。BotanicGarden数据集提供了高质量的3D地图和轨迹真实值，以及细粒度的视觉语义标注，为机器人导航和传感器融合研究提供了重要的参考和验证平台。

当前挑战

BotanicGarden数据集面临的主要挑战包括：1) 无结构自然环境的导航问题，如GNSS信号丢失、纹理单调、植被密集等，导致现有导航技术在复杂场景中的性能下降；2) 构建数据集过程中遇到的挑战，如多传感器数据同步、空间校准、高精度3D地图和轨迹真实值生成、以及视觉语义标注等。

常用场景

经典使用场景

BotanicGarden数据集为机器人导航研究提供了宝贵的资源，特别是在非结构化自然环境中。其包含丰富的场景类型，如浓密的树林、河岸、狭窄的小径、桥梁和草地，这些场景在现有数据集中较为稀缺。此外，数据集还提供了高精度的自运动轨迹和3D地图地面真值，以及细粒度的视觉语义标注，为导航算法的评估和改进提供了全面和高质量的参考。

解决学术问题

BotanicGarden数据集解决了现有导航算法在非结构化自然环境中性能下降的问题。由于GNSS信号阻断、纹理单调以及植被密集，现有算法在非结构化自然环境中往往难以维持高水平的性能。BotanicGarden数据集提供了丰富的场景类型和高质量的地面真值，为导航算法的鲁棒性和精度提升提供了有效的测试平台。

衍生相关工作

BotanicGarden数据集的发布促进了相关领域的研究和发展。例如，基于该数据集，研究人员可以开发更鲁棒的视觉里程计、激光雷达里程计和SLAM算法，使其能够在非结构化自然环境中稳定运行。此外，该数据集还可以用于开发基于视觉和激光雷达融合的导航算法，进一步提高导航系统的精度和鲁棒性。