MILUV

MILUV是一个包含超宽带(UWB)和视觉测量数据的室内多无人机定位数据集。该数据集由麦吉尔大学的研究团队创建，包含三个四旋翼无人机在36个实验中累计217分钟的飞行时间收集的数据。数据集包括UWB测距数据、立体相机和底部单目相机的视觉数据、惯性测量单元数据、激光测距仪的高度测量数据、磁力计数据以及运动捕捉系统的真实姿态数据。MILUV适用于室内环境，旨在为多机器人UWB和视觉定位算法的测试和验证提供支持。

MILUV is an indoor multi-drone positioning dataset containing ultra-wideband (UWB) and visual measurement data. This dataset was created by a research team at McGill University, and consists of data collected during 217 cumulative minutes of flight time across 36 experiments involving three quadrotor drones. The dataset includes UWB ranging data, visual data from stereo cameras and bottom-mounted monocular cameras, inertial measurement unit (IMU) data, altitude measurement data from laser rangefinders, magnetometer data, as well as ground-truth pose data from motion capture systems. MILUV is tailored for indoor environments, and aims to support the testing and validation of multi-robot UWB and visual positioning algorithms.

搜集汇总

数据集介绍

构建方式

MILUV数据集通过三架Uvify IFO-S四旋翼无人机在室内环境中采集数据构建而成。每架无人机配备了两个自定义超宽带（UWB）收发器、一个立体相机、两个惯性测量单元（IMU）、一个磁力计、一个下视相机和一个激光测距仪。实验环境配备了6个静态UWB锚点、48个AprilTag视觉标记和一个Vicon运动捕捉系统，用于记录无人机的真实位姿。数据集包含36次实验，累计飞行时间217分钟，采集了包括UWB原始时间戳、信道脉冲响应（CIR）数据、视觉数据、IMU数据、高度测量数据和磁力计数据在内的多种传感器数据。

特点

MILUV数据集的特点在于其多无人机协同定位的独特设计，提供了低层级的UWB数据（如原始时间戳和CIR数据）以及高精度的视觉数据。数据集涵盖了多种实验场景，包括不同数量的无人机、UWB标签配置、锚点星座、视觉标记的存在与否以及障碍物的设置。此外，数据集还提供了传感器校准数据和地面真实位姿信息，为多机器人定位算法的开发和验证提供了全面的支持。

使用方法

MILUV数据集的使用方法包括下载数据集文件并利用提供的开发工具包进行数据处理和分析。开发工具包包含Python脚本，用于解析数据、时间戳对齐和子采样。用户可以利用数据集进行多无人机协同定位算法的测试和验证，包括视觉惯性里程计（VIO）、UWB-惯性定位扩展卡尔曼滤波（EKF）以及CIR数据的机器学习分类等。数据集还支持视觉-惯性-距离同步定位与地图构建（SLAM）算法的研究，为多机器人系统的相对位姿估计和环境感知提供了丰富的数据资源。

背景与挑战

背景概述

MILUV数据集由McGill大学的研究团队于2025年推出，旨在解决多无人机（UAV）在室内环境中的定位问题。该数据集集成了超宽带（UWB）测距数据和视觉测量，包括来自立体相机和单目相机的视觉数据、惯性测量单元（IMU）数据、激光测距仪的高度测量以及磁力计数据。MILUV的创建填补了多机器人系统中UWB和视觉数据融合研究的空白，特别适用于GNSS拒止环境下的定位算法开发和验证。数据集包含36次实验，累计飞行时间达217分钟，涵盖了多种飞行轨迹和环境条件，如视距（LOS）和非视距（NLOS）场景。

当前挑战

MILUV数据集面临的挑战主要包括：1) 领域问题的挑战：在室内环境中，多无人机的精确定位需要克服UWB信号在NLOS条件下的衰减和多径效应，以及视觉数据在光照变化和有限视野下的可靠性问题；2) 构建过程中的挑战：数据采集需要同步多个传感器（如UWB、IMU、相机等）的时间戳，确保数据的一致性和准确性。此外，数据集的构建还涉及复杂的校准过程，包括UWB天线延迟校准、相机和IMU的内外参标定，以及运动捕捉系统的精确对齐。这些挑战需要通过精细的实验设计和数据处理来解决，以确保数据集的高质量和可用性。

常用场景

经典使用场景

MILUV数据集在室内多无人机（UAV）定位研究中具有广泛的应用价值，其经典使用场景包括多机器人协同定位、视觉与超宽带（UWB）融合的定位算法验证。该数据集通过提供丰富的传感器数据（如UWB测距、立体视觉、惯性测量单元等），支持研究人员开发高精度的多机器人协同定位算法，尤其是在GPS拒止环境下的导航任务。

实际应用

在实际应用中，MILUV数据集可广泛应用于无人机编队飞行、仓库自动化巡检、室内搜救任务等领域。例如，在仓库自动化场景中，多无人机需要协同定位以高效完成货物搬运任务，而MILUV提供的UWB和视觉融合数据能够显著提升定位精度和系统鲁棒性。此外，该数据集还可用于开发低功耗、轻量级的定位解决方案，适用于资源受限的无人机平台。

衍生相关工作

MILUV数据集衍生了一系列经典研究工作，包括基于UWB和视觉的紧耦合定位算法、多机器人协同SLAM（同时定位与建图）技术以及UWB信道脉冲响应（CIR）数据的机器学习应用。例如，研究人员利用该数据集开发了基于扩展卡尔曼滤波（EKF）的UWB-惯性融合定位算法，以及用于非视距（NLOS）条件分类的机器学习模型。这些工作进一步推动了多机器人定位领域的技术进步。