MAGF-ID

MAGF-ID数据集是由海法大学查尼海洋科学学院哈特海洋技术系的研究团队开发，专门为多惯性测量单元（MIMU）和无陀螺惯性导航系统（GFINS）研究设计。该数据集包含使用九个惯性测量单元记录的115条轨迹，总数据量达35小时，涵盖了从移动机器人到乘用车的不同动态场景。数据集的创建过程涉及在三种不同的传感器配置下，将传感器安装在移动平台并记录相应的地面实况轨迹。MAGF-ID数据集的应用领域广泛，包括机器人导航、自主平台和物联网，旨在通过数据驱动的方法提高导航系统的准确性和效率。

The MAGF-ID dataset was developed by a research team from the Hart Department of Marine Technology, Leon H. Charney School of Marine Sciences, University of Haifa, and is specifically tailored for research on multi-inertial measurement units (MIMU) and gyroscope-free inertial navigation systems (GFINS). This dataset comprises 115 trajectories recorded with nine inertial measurement units, totaling 35 hours of data, and covers a wide spectrum of dynamic scenarios spanning from mobile robots to passenger cars. The dataset was constructed by installing sensors on mobile platforms under three distinct sensor configurations and recording corresponding ground-truth trajectories. With broad application domains including robotic navigation, autonomous platforms, and the Internet of Things, the MAGF-ID dataset aims to enhance the accuracy and efficiency of navigation systems through data-driven approaches.

搜集汇总

数据集介绍

构建方式

在惯性导航系统中，多惯性测量单元（MIMU）与无陀螺惯性系统（GFINS）的研究长期受限于缺乏专用数据集。为填补这一空白，研究团队利用九颗Xsens DOT惯性传感器（总计54个惯性传感通道）构建了三种不同几何配置（C1、C2、C3），分别以8至9个IMU组成箱式结构，并搭载于乘用车与移动机器人平台上。通过GNSS-RTK提供厘米级精度的地面真值轨迹，遵循标准化协议记录数据：实验起始与结束各保持15秒静止，期间通过晃动平台实现传感器同步。最终收录115条轨迹，累计35小时有效驾驶数据，所有原始数据与处理代码均开源发布于GitHub仓库。

特点

该数据集具有显著的创新性与实用性。作为首个面向MIMU与GFINS架构的公开数据集，其独特之处在于提供了多传感器冗余配置，能够支持从六自由度加速度计阵列到完整IMU阵列的多种架构评估。三种配置在物理尺寸与传感器间距上存在差异（C1紧凑型16.0×11.5×15.0厘米，C3高耸型23.3×33.2×32.7厘米），可探索传感器布局对导航精度的影响。数据涵盖矩形、正弦、圆形等多种运动模式，并包含低速、中速、高速三种动力学状态，充分覆盖了从地面车辆到移动机器人的典型应用场景。

使用方法

数据集按平台（Car/ROSbot）与配置（Conf1-3）分层组织，每个配置文件夹内独立存储MRU-P地面真值（含加速度计、陀螺仪、磁力计及GNSS-RTK数据）与各DOT传感器的原始惯性读数。用户可根据研究需求灵活选取：对于GFINS研究，可直接调用任意配置中至少六个加速度计的测量值，依据论文提供的H矩阵与M矩阵公式计算角加速度与比力；对于MIMU研究，则可对同一配置内多个IMU进行平均或融合处理。同步信号已通过协议中的晃动标记嵌入数据起始段，便于时间对齐。所有文件以CSV格式存储，便于Python、MATLAB等工具直接解析与模型训练。

背景与挑战

背景概述

惯性导航系统（INS）利用正交加速度计和陀螺仪实现平台位置、速度与姿态的精确解算，在机器人、自主平台及物联网等领域具有广泛应用。近年来，数据驱动方法与惯性导航的融合成为研究热点，显著提升了导航精度与鲁棒性。然而，现有公开数据集多面向单惯性测量单元（IMU）架构，缺乏针对无陀螺惯性导航系统（GFINS）与多惯性测量单元（MIMU）的专用数据资源。为填补这一空白，Zeev Yampolsky等研究者于2024年创建了MAGF-ID数据集，依托海法大学海洋技术系，利用54个惯性传感器组成九组IMU，设计了三种不同配置，并在移动机器人及乘用车上采集了35小时惯性数据及对应真实轨迹。该数据集是首个面向GFINS与MIMU研究的公开基准，为验证多传感器融合算法与学习式导航方法提供了关键支撑。

当前挑战

MAGF-ID数据集所解决的领域问题在于，现有惯性导航研究多依赖单一IMU，难以支持GFINS与MIMU架构的算法开发与评估；GFINS需至少六个分布式加速度计以估算角加速度，而MIMU依赖多传感器协同降噪与冗余设计，二者均缺乏标准化数据资源。在构建过程中，挑战主要体现在三个方面：一是多传感器同步困难，手动启动导致各传感器间存在微小时间偏移，且DOT IMU与MRU-P采样率不同（120Hz与100Hz），需设计抖动协议实现后处理对齐；二是传感器配置复杂，需在三种几何构型（C1-C3）中精确固定8至9个IMU的位置与朝向，确保杠杆臂参数准确；三是数据采集环境多变，涵盖车载与移动机器人平台的不同运动模式（矩形、正弦、圆形等），需控制速度等级与重复次数，以覆盖丰富动态场景，同时保证地面真值（GNSS-RTK）的厘米级精度。

常用场景

经典使用场景

在惯性导航系统研究领域，MAGF-ID数据集为多惯性测量单元（MIMU）和无陀螺惯性导航系统（GFINS）的算法开发与验证提供了宝贵的资源。该数据集利用54个惯性传感器，以三种不同的空间构型部署于地面车辆与移动机器人平台，记录了长达35小时的惯性数据及对应的真实轨迹。研究者可借此探索传感器阵列融合策略、评估不同构型对导航精度的提升效果，并开展基于数据驱动的惯性导航方法研究，如利用深度学习模型直接估计平台姿态与位置。

衍生相关工作

MAGF-ID数据集已催生了一系列衍生研究工作。基于该数据集，研究者开发了面向MIMU构型的深度学习去噪框架，显著降低了多传感器融合中的噪声水平；针对GFINS架构，提出了利用加速度计阵列估计角运动的新型神经网络模型，突破了传统积分方法误差累积的瓶颈。此外，该数据集还支撑了多传感器标定算法的改进、视觉-惯性里程计中过程噪声协方差的自适应学习，以及轻量化惯性里程计在边缘设备上的实时部署等方向的研究，形成了从数据采集到算法落地的完整研究链条。

数据集最近研究

最新研究方向

随着惯性导航系统在机器人、自动驾驶及物联网等领域的广泛应用，数据驱动方法与传统惯性导航的融合已成为前沿热点。然而，现有公开数据集多聚焦于单惯性测量单元（IMU）架构，难以支持多IMU（MIMU）与无陀螺惯性导航系统（GFINS）的研究需求。MAGF-ID数据集应运而生，首次提供了涵盖54个惯性传感器、三种不同配置、总计35小时的多平台惯性数据及高精度地面真值轨迹，填补了该领域的关键空白。该数据集不仅为MIMU冗余融合与GFINS加速度计解算等前沿方向提供了标准化测试基准，更推动了低成本MEMS传感器在复杂动态环境下的深度学习算法验证，对提升自主平台导航的鲁棒性与精度具有里程碑意义。

相关研究论文

• Multiple and Gyro-Free Inertial Datasets

  海法大学查尼海洋科学学院哈特海洋技术系 · 2024年