FusionPortable

FusionPortable是由香港科技大学创建的多传感器校园场景数据集，旨在评估不同平台上的定位和地图构建精度。该数据集包含17个序列，覆盖了校园内多种环境，如实验室、花园、食堂等。数据集收集了包括10Hz的激光雷达点云、20Hz的立体帧图像、高频异步事件相机数据、200Hz的惯性测量单元读数和10Hz的GPS信号。所有传感器在硬件上已实现时间同步。数据集的应用领域包括机器人导航和SLAM算法的评估，旨在解决多传感器融合和算法在复杂环境中的适应性问题。

FusionPortable is a multi-sensor campus scene dataset developed by The Hong Kong University of Science and Technology (HKUST), which aims to evaluate the localization and mapping accuracy across various platforms. This dataset contains 17 sequences covering diverse campus environments including laboratories, gardens, cafeterias and other typical scenarios. It collects a range of sensor data: 10Hz LiDAR point clouds, 20Hz stereo frame images, high-frequency asynchronous event camera data, 200Hz inertial measurement unit (IMU) readings, and 10Hz GPS signals. All sensors are hardware time-synchronized. Its application areas include robot navigation and SLAM algorithm evaluation, with the goal of addressing challenges related to multi-sensor fusion and the adaptability of algorithms in complex environments.

搜集汇总

数据集介绍

构建方式

FusionPortable数据集的构建基于多传感器融合技术，旨在为移动机器人提供丰富的感知数据。该数据集通过集成多种传感器，包括10Hz的LiDAR点云、20Hz的立体帧图像、立体事件相机的高速率异步事件、200Hz的IMU惯性测量数据以及10Hz的GPS信号，构建了一个轻量级、自包含且即插即用的多传感器套件。数据采集过程中，传感器通过硬件实现了时间同步，确保了数据的时间一致性。数据集共包含17个序列，涵盖了校园内的多种环境，部分序列对现有的SLAM算法提出了挑战。

特点

FusionPortable数据集的特点在于其多传感器数据的丰富性和多样性。数据集不仅包含了LiDAR、IMU、GPS等传统传感器数据，还引入了事件相机数据，提供了高动态范围和高时间分辨率的信息。此外，数据集覆盖了从室内到室外的多种环境，包括实验室、花园、走廊、电梯等场景，且部分序列包含了光照变化、动态物体等复杂条件，能够有效评估SLAM算法在不同环境下的鲁棒性和精度。数据集还提供了地面真值轨迹和3D地图，便于算法的定位和建图性能评估。

使用方法

FusionPortable数据集的使用方法主要围绕SLAM算法的评估和验证展开。研究人员可以通过解析数据集中的ROS bag文件或单独的数据文件，获取多传感器的原始数据。数据集提供了地面真值轨迹和3D地图，可用于算法的定位和建图精度评估。此外，数据集还支持多种传感器组合的算法测试，如视觉-惯性SLAM、LiDAR-惯性SLAM等。研究人员可以通过对比算法输出与地面真值，定量评估算法的性能。数据集还提供了校准数据和算法评估工具，便于研究人员快速验证和改进其算法。

背景与挑战

背景概述

FusionPortable数据集由香港科技大学的研究团队于2022年提出，旨在为多传感器融合的机器人导航提供基准测试。该数据集的核心研究问题是通过多传感器数据的融合，提升机器人在复杂环境中的定位与建图精度。数据集包含了多种传感器数据，如LiDAR点云、立体相机图像、事件相机数据、IMU惯性测量单元和GPS信号，涵盖了从室内到室外的多种环境场景。FusionPortable的发布为机器人感知领域的研究提供了丰富的多模态数据，推动了多传感器SLAM算法的发展。

当前挑战

FusionPortable数据集在解决机器人定位与建图问题时面临多重挑战。首先，多传感器数据的同步与融合是核心难题，尤其是在动态环境中，如何有效整合不同传感器的数据以提升系统的鲁棒性仍是一个开放问题。其次，数据集的构建过程中，研究人员需克服传感器硬件集成、时间同步以及复杂环境下的数据采集等挑战。此外，数据集中的某些序列设计旨在挑战现有SLAM算法的极限，如光照变化、动态物体干扰和纹理缺失场景，这些都为算法的泛化能力提出了更高要求。

常用场景

经典使用场景

FusionPortable数据集广泛应用于多传感器融合的机器人定位与建图（SLAM）算法的评估与优化。其丰富的传感器数据，包括LiDAR点云、立体相机图像、事件相机数据、IMU惯性测量和GPS信号，为研究人员提供了一个全面的平台，用于测试和验证不同传感器组合下的SLAM算法性能。特别是在复杂环境下的定位精度和建图质量评估中，FusionPortable数据集展现了其独特的优势。

衍生相关工作

FusionPortable数据集催生了一系列相关研究工作，特别是在多传感器融合SLAM领域。基于该数据集，研究人员开发了多种改进算法，如LIO-SAM、FAST-LIO2等，这些算法在定位精度和建图质量上取得了显著提升。此外，该数据集还激发了事件相机与LiDAR、IMU等多传感器融合的新研究方向，推动了机器人感知技术的创新。

数据集最近研究

最新研究方向

近年来，FusionPortable数据集在机器人定位与地图构建（SLAM）领域引起了广泛关注。该数据集通过整合多种传感器（如LiDAR、立体相机、事件相机、IMU和GPS），提供了一个全面的多传感器基准，适用于不同平台的移动机器人。其最新研究方向主要集中在多传感器融合算法的优化与评估，尤其是在复杂环境下的鲁棒性和精度提升。随着自动驾驶和智能机器人技术的快速发展，FusionPortable数据集为研究者提供了一个理想的实验平台，用于验证和改进SLAM算法在动态、纹理稀疏或光照变化剧烈场景中的表现。此外，该数据集还推动了事件相机在SLAM中的应用研究，探索其在高速运动和高动态范围场景中的潜力。通过公开数据集和基准工具，FusionPortable不仅加速了SLAM技术的创新，还为多传感器融合的未来发展指明了方向。

相关研究论文

• FusionPortable: A Multi-Sensor Campus-Scene Dataset for Evaluation of Localization and Mapping Accuracy on Diverse Platforms

  香港科技大学 · 2022年