EVOPS

EVOPS数据集是由斯科学院技术中心和圣彼得堡国立大学软件工程系共同创建，专注于从RGBD图像和激光雷达点云中进行平面分割。该数据集包含10k RGBD帧和7k激光雷达观测，总计有175个和2196个独特的平面，分别适用于不同的RGBD序列和激光雷达。创建过程中，采用了半自动和自动数据标注技术，确保了高质量的平面分割。EVOPS数据集主要应用于机器人和计算机视觉领域，旨在解决3D数据平面分割的挑战，提供了一个包含评估工具和高质量标注数据的通用基准。

The EVOPS dataset was jointly created by the Technology Center of the St. Petersburg Academy of Sciences and the Department of Software Engineering, St. Petersburg State University. It focuses on plane segmentation from RGBD images and LiDAR point clouds. This dataset contains 10k RGBD frames and 7k LiDAR observations, which respectively feature 175 unique planes for RGBD sequences and 2,196 unique planes for LiDAR data. Semi-automatic and automatic data annotation techniques were adopted during its development to ensure high-quality plane segmentation. The EVOPS dataset is primarily applied in robotics and computer vision, aiming to address the challenges of 3D data plane segmentation and provide a universal benchmark with evaluation tools and high-quality annotated data.

搜集汇总

数据集介绍

构建方式

在三维数据处理领域，平面分割作为几何约束提取的关键环节，其评估长期受限于标注数据的匮乏。EVOPS数据集的构建采用了半自动与自动化相结合的标注策略，针对RGBD与LiDAR两种模态分别设计流程。对于RGBD数据，借助CVAT工具对RGB图像进行人工标注，并通过时间戳映射至深度信息，辅以Open3D库中的RANSAC平面检测算法进行后处理，滤除非平面结构与无效深度点。LiDAR数据则通过聚合点云生成地图，利用语义分割编辑器进行手动标注，并结合CARLA模拟器的内置语义标签与网格分割算法实现自动化标注，最终通过点云重映射与抽样验证确保标注质量。

使用方法

EVOPS数据集的使用旨在为平面分割算法提供系统化评估框架。研究人员可通过公开仓库获取标注数据与配套的Docker镜像，快速部署现有开源算法如CAPE、PEAC等，或基于LiDAR数据开发可学习基线模型。评估过程依托数据集提供的pip包工具，调用预定义的平面分割指标，在合成与真实场景上进行性能测试。用户需依据数据模态选择相应标注文件，利用工具包中的配对逻辑与阈值设定（如合成数据80%、真实数据50%重叠阈值）计算分割精度。此外，数据集支持下游任务如SLAM与点云配准的评估，通过轨迹真值与平面实例标注，促进几何约束在机器人视觉中的集成应用。

背景与挑战

背景概述

在机器人学与计算机视觉领域，三维数据的平面分割问题近年来备受关注，其核心在于从RGBD图像或LiDAR点云中精确提取平面结构，为SLAM、点云配准等下游任务提供几何约束。EVOPS数据集由Skolkovo科学技术研究所及圣彼得堡国立大学的研究团队于2022年创建，旨在解决该领域长期缺乏高质量标注数据与统一评估基准的困境。该数据集整合了ICL NUIM、TUM RGBD、CARLA及KITTI等权威数据集中的10k帧RGBD与7k帧LiDAR数据，通过半自动标注方法生成了大量精细平面分割标签，显著提升了平面分割算法的可评估性与可比性，对推动三维场景理解与自主系统导航研究具有重要影响力。

当前挑战

EVOPS数据集致力于应对三维平面分割领域的两大核心挑战：其一，在算法评估层面，以往研究多依赖有限的手工标注或合成数据，导致结果可比性差，而EVOPS通过提供大规模高质量标注与统一度量工具，旨在建立稳健的评估基准以客观衡量算法性能；其二，在数据构建过程中，标注工作面临深度数据噪声、点云密度不均、边界精确界定等难题，研究团队为此开发了针对RGBD与LiDAR模态的差异化半自动标注流程，结合RANSAC预处理与语义标签融合，以平衡标注效率与精度，但点云稀疏性与复杂场景下的实例分割仍是持续的技术难点。

常用场景

经典使用场景

在三维视觉与机器人领域，平面分割是理解结构化环境的基础任务。EVOPS数据集通过提供大规模、高质量的RGBD与LiDAR平面标注，成为评估平面分割算法的标准基准。其经典使用场景集中于对现有算法进行系统性评测，例如在RGBD数据上对比CAPE、PEAC等方法的精度与效率，或在LiDAR点云中验证基于学习的基线模型DSNet的性能。这些评估不仅揭示了算法在合成与真实数据上的泛化能力，还为实时SLAM系统提供了关键的地标提取参考。

解决学术问题

长期以来，三维平面分割领域缺乏统一、高质量的标注数据，导致算法评估依赖小规模手动标注或合成数据，结果可信度受限。EVOPS数据集通过半自动标注流程，在ICL NUIM、TUM RGBD、KITTI及CARLA等权威数据集上生成了数万帧标注，解决了评估标准不一致的学术痛点。它使研究者能够精确量化分割算法的过分割、欠分割等误差，推动平面分割从经验性调试向科学化评测转变，为三维几何理解奠定了数据基础。

实际应用

平面作为人造环境中丰富的几何约束，在机器人导航与自动驾驶中具有直接应用价值。EVOPS数据集的实际应用场景包括增强视觉里程计与SLAM系统的鲁棒性，例如通过平面特征优化点云配准与轨迹估计。在室内服务机器人场景中，基于RGBD的平面分割可用于场景重构与物体放置规划；而在户外自动驾驶领域，LiDAR点云中的道路与建筑平面提取能辅助高精地图构建与障碍物感知，提升系统在复杂环境中的几何推理能力。

数据集最近研究

最新研究方向

在三维视觉与机器人领域，平面分割作为环境理解的关键环节，其精度直接影响SLAM与自主导航系统的性能。EVOPS数据集的推出，为RGBD与LiDAR数据的平面分割提供了首个大规模高质量标注基准，推动了该领域从算法评估到实际应用的跨越。当前研究聚焦于利用深度学习模型提升点云平面分割的鲁棒性，特别是在稀疏、非均匀的LiDAR数据中，通过如DSNet等全景分割网络进行实例级平面检测，成为新兴热点。同时，数据集整合了ICL NUIM、TUM RGBD、KITTI等多源数据，促进了跨模态与跨场景的泛化能力研究，为语义SLAM与高精地图构建提供了可靠的数据支撑，加速了室内外智能系统的发展进程。

相关研究论文

• EVOPS Benchmark: Evaluation of Plane Segmentation from RGBD and LiDAR Data

  斯科学院技术中心 · 2022年