OWP-IMU

OWP-IMU数据集是一个基于接收信号强度（RSS）的光无线定位（OWP）和惯性测量单元（IMU）的室内定位数据集，由KU Leuven的研究人员收集。该数据集在两种室内环境中收集了27 Hz采样频率的RSS值、200 Hz采样频率的IMU数据以及160 Hz采样频率的真实值。数据集包括超过11万个数据点，涵盖超过80分钟的数据收集。OWP-IMU数据集旨在支持进一步研究室内定位方法，并提高定位精度和鲁棒性。该数据集是开源的，可供研究人员免费使用。

原始信息汇总

OWP-IMU-Dataset 数据集概述

数据集基本信息

• 数据量：超过 110,000 个连续样本
• 采集时长：超过 80 分钟
• 数据采集率：
  • RSS 测量：27 Hz
  • IMU 读数：200 Hz
  • 地面真实值（位置和姿态）：160 Hz

关键词

• Visible Light Positioning (VLP)
• Indoor positioning dataset
• infrared light
• photodiode (PD)
• Indoor positioning service (IPS)
• Optical Wireless Positioning (OWP)
• Visible Light Communication (VLC)

下载链接

https://github.com/DRAMCO/OWP-IMU-Dataset

贡献者

• Fan Wu
• Jorik De Bruycker
• Daan Delabie

实验设置

• 平台：车辆在地板上移动，车载传感器捕获来自天花板安装的红外 LED 的 RSS 值。
• 天花板配置：四个红外 LED，每个 LED 以独特频率调制，用于光学测距校准。

LED 位置坐标

• LED 4 : [3.561, 1.080] m
• LED 3 : [3.561, 2.910] m
• LED 2 : [5.975, 1.080] m
• LED 1 : [5.975, 2.910] m

运动轨迹

• 实时回放平台通过测试区域的路径。

EKF 结果

• 无障碍物：
  • 低速 0.15 m/s
  • 中速 0.275 m/s
  • 高速 0.45 m/s
• 有障碍物：
  • 低速 0.15 m/s
  • 中速 0.275 m/s
  • 高速 0.45 m/s

搜集汇总

数据集介绍

构建方式

OWP-IMU数据集的构建采用多模态传感器同步采集策略，在两种典型室内场景（无障碍环境与含金属柱的非视距环境）下，通过搭载光电二极管（PD）、惯性测量单元（IMU）及Qualisys运动捕捉系统的阿克曼底盘车辆，以27Hz（OWP）、200Hz（IMU）和160Hz（地面真值）的采样频率同步记录数据。实验设计涵盖低（0.15m/s）、中（0.275m/s）、高（0.45m/s）三档速度下的连续轨迹，并通过精确的空间标定（LED布局高度2.4m，PD接收高度20cm）与时间对齐技术，确保超过11万数据点的时空一致性。

使用方法

研究者可通过三种路径利用该数据集：基于CSV结构化数据（含时间戳、坐标、旋转矩阵、加速度计与陀螺仪原始值），直接加载GT-IMU-OWP三模态时序数据；采用提供的基准流程，先通过高斯过程回归建立RSS-位置映射模型，再以EKF实现IMU/OWP传感器融合；或开发新型算法，利用非视距场景数据验证抗遮挡性能，结合200Hz IMU高频特性优化动态定位鲁棒性。数据集官网提供完整的坐标转换脚本与基准代码。

背景与挑战

背景概述

OWP-IMU数据集由KU Leuven的研究团队于2025年发布，旨在推动基于接收信号强度（RSS）的光学无线定位（OWP）与惯性测量单元（IMU）融合的室内定位研究。该数据集在两种室内环境下采集了超过11万个数据点，涵盖无障碍和有金属柱障碍的非视距（NLOS）场景，并以27 Hz（OWP）、200 Hz（IMU）和160 Hz（地面真值）的高采样频率记录了三组不同速度的连续轨迹。作为首个公开结合RSS-OWP、IMU及高精度地面真值的开源数据集，其多模态同步数据特性为抑制多径效应、NLOS干扰等挑战提供了基准测试平台，填补了该领域缺乏连续轨迹与传感器融合数据的空白。

当前挑战

该数据集针对室内定位领域的两大核心挑战：其一，RSS-OWP系统易受多径效应和NLOS环境影响，导致信号衰减与定位偏差，尤其在障碍物场景下P99误差可达40 cm；其二，IMU的累积误差需通过ZUPT等技术校正。数据构建过程中，研究团队需解决多传感器时空同步（OWP/IMU/地面真值采样率差异达7.4倍）、动态场景下红外LED信号标定、以及金属障碍物引发的非均匀多径效应建模等难题。通过扩展卡尔曼滤波融合IMU数据，虽将定位P99误差降低至25 cm，但如何进一步提升复杂环境下的鲁棒性仍是待突破方向。

常用场景

经典使用场景

OWP-IMU数据集在室内定位领域具有广泛的应用价值，特别是在基于接收信号强度（RSS）的光学无线定位（OWP）和惯性测量单元（IMU）的融合定位研究中。该数据集通过提供高采样率的RSS值（27 Hz）、IMU数据（200 Hz）以及地面真实数据（160 Hz），为研究人员提供了一个全面的实验平台。数据集涵盖了无障碍和有金属柱障碍的两种室内环境，以及车辆在低速、中速和高速下的连续轨迹数据，为研究多路径效应和非视距（NLOS）条件下的定位性能提供了丰富的数据支持。

解决学术问题

OWP-IMU数据集解决了室内定位研究中几个关键学术问题。首先，它填补了开源数据集的空白，为RSS-based OWP系统的测试和分析提供了可靠的数据源。其次，通过结合IMU数据，数据集展示了如何利用扩展卡尔曼滤波器（EKF）提高定位精度和鲁棒性，尤其是在多路径和NLOS条件下。此外，数据集还支持机器学习方法（如高斯过程回归）和传统方法（如多边定位）的性能比较，为算法优化提供了实证基础。这些贡献显著推动了室内定位技术的发展。

实际应用

OWP-IMU数据集的实际应用场景包括机场导航、仓库管理、智能家居和机器人导航等。在这些场景中，高精度的室内定位是实现自动化和智能化的关键。例如，在仓库管理中，利用该数据集开发的定位系统可以实时跟踪货物和车辆的位置，提高物流效率。在智能家居中，光学无线定位技术可以用于室内导航和位置服务，为用户提供个性化的体验。数据集的开放性和全面性使其成为工业界和学术界研究和开发室内定位系统的理想选择。

数据集最近研究

最新研究方向

随着室内定位技术在智能仓储、无人驾驶等领域的广泛应用，基于光无线定位（OWP）和惯性测量单元（IMU）的融合定位方法成为当前研究热点。OWP-IMU数据集作为首个结合RSS光无线定位与IMU的开源数据集，为多模态传感器融合算法提供了重要基准。该数据集通过高采样率（OWP 27Hz、IMU 200Hz）捕捉不同运动速度（0.15-0.45m/s）下的连续轨迹，并创新性引入金属柱障碍物构建NLOS场景，有效解决了现有数据集中动态障碍物缺失的局限性。近期研究聚焦于通过扩展卡尔曼滤波（EKF）实现IMU与OWP的深度融合，实验表明该方法能将P99定位误差从40cm显著降低至25cm。同时，高斯过程回归在仅使用RSS数据时达到10cm的中值误差，为复杂环境下的轻量化定位提供了新思路。该数据集的发布推动了基于扩散模型等新型融合算法的探索，对提升工业场景下的定位鲁棒性具有重要价值。

相关研究论文

• OWP-IMU: An RSS-based Optical Wireless and IMU Indoor Positioning Dataset

  KU Leuven (Ghent) · 2025年