Cerberus2.0

Cerberus2.0数据集包含在Unitree Go1机器人上收集的传感器数据，总行程为3公里，总时长为1.5小时。该数据集覆盖了多种地形，包括室内平坦地面、城市人行道、公园、远足小径等。该数据集旨在为多IMU视觉-惯性-腿部里程计方法提供实验数据，并通过实际硬件实验验证了该方法在机器人运动中的性能。该数据集对研究多IMU传感器融合、视觉-惯性-腿部里程计以及机器人运动状态估计等领域的研究人员具有重要的参考价值。

The Cerberus2.0 dataset comprises sensor data collected on the Unitree Go1 robot, with a total travel distance of 3 kilometers and a total duration of 1.5 hours. It covers diverse terrains including indoor flat grounds, urban sidewalks, parks, hiking trails, and more. This dataset aims to provide experimental data for multi-IMU visual-inertial-legged odometry approaches, and the performance of such methods during robot locomotion has been validated via real-world hardware experiments. It holds significant reference value for researchers studying multi-IMU sensor fusion, visual-inertial-legged odometry, robot motion state estimation, and related fields.

原始信息汇总

Cerberus 2.0 数据集概述

数据集简介

• Cerberus 2.0 是一个用于腿式机器人的低漂移视觉-惯性-腿里程计系统。
• 该数据集是 Cerberus 的改进版本，基于多项学术研究。

相关论文

1. Multi-IMU Proprioceptive Odometry for Legged Robots (IROS 2023, Best Paper Finalist)
2. Cerberus: Low-Drift Visual-Inertial-Leg Odometry For Agile Locomotion (ICRA 2023)
3. Online Kinematic Calibration for Legged Robots (IEEE Robotics and Automation Letters & IROS 2022)

数据集内容

室内数据

• 数据格式：ROS bag 文件
• 包含的传感器数据：
  • 4个 WT901 IMU 数据 (/WT901_47_Data 到 /WT901_50_Data)
  • 2个前向摄像头图像 (/camera_forward/infra1/image_rect_raw 和 /camera_forward/infra2/image_rect_raw)
  • Optitrack 运动捕捉系统数据 (/natnet_ros/Shuo_Go1/pose)
  • 机器人硬件 IMU 数据 (/unitree_hardware/imu)
  • 关节状态数据 (/unitree_hardware/joint_foot)

室外数据

• 数据格式：
  • ROS bag 文件
  • MATLAB 数据文件 (*.mat)
  • 部分序列包含 iPhone 录制的视频文件 (*.mov)
• 包含的传感器数据：
  • 4个 WT901 IMU 数据
  • 2个前向摄像头图像
  • 机器人硬件 IMU 数据
  • 关节状态数据
  • iPhone GPS/IMU 数据 (存储在 .mat 文件中)

数据获取

• 数据集可通过 Google Drive 获取：https://drive.google.com/drive/folders/1Jz3hRNc_yewCvL_H8dJJ5vGTxAGHD31e?usp=sharing

运行结果示例

1. Mill19 Trail 测试视频
2. CMU Garage 测试图像
3. 其他多种环境测试图像

搜集汇总

数据集介绍

构建方式

Cerberus2.0数据集通过搭载低成本、紧凑型传感器的四足机器人Unitree Go1在多样化地形（包括室内平坦地面、城市人行道、公园及远足小径）上收集数据构建而成。数据集包含来自多个惯性测量单元（IMU）、关节编码器、接触传感器及立体相机的同步数据流，采样频率覆盖200Hz（足部IMU）至500Hz（本体IMU），总运动里程达3公里。数据采集过程中，机器人执行了包含显著地面冲击、足部滑动和快速旋转的复杂运动任务，并通过运动捕捉系统与GPS辅助的iPhone传感器获取地面真值轨迹。

特点

该数据集的核心特点在于其多模态传感器融合架构与动态挑战场景覆盖。数据集首次整合了分布于机器人足部的多IMU阵列，通过足部惯性数据修正传统本体里程计因接触变形导致的误差。数据序列包含极端运动条件下的传感器读数（如IMU饱和、视觉模糊等），并提供了完整的运动学链信息（关节角度、足部接触状态）与高频率视觉-惯性同步数据。特别设计的‘枢轴接触模型’量化了滚动接触时的足部速度，突破了传统零速度假设的局限性。

使用方法

使用该数据集时，建议通过GitHub开源代码库加载docker化处理流程。典型应用包括：1）将多IMU卡尔曼滤波器的输出与视觉因子图优化框架松散耦合，构建视觉-惯性-腿部里程计；2）利用足部IMU的加速度观测重力方向以增强姿态估计；3）通过枢轴接触残差和马氏距离检验实现动态接触状态检测。数据已按ROS bag格式组织，可直接用于评估位置漂移百分比（DRIFT）、绝对轨迹误差（ATE）等指标，或作为多传感器标定与接触动力学研究的基准。

背景与挑战

背景概述

Cerberus2.0数据集由卡内基梅隆大学机器人研究所的Shuo Yang等研究人员于2023年提出，专注于四足机器人的多IMU传感器融合状态估计。该数据集通过整合机身与足部安装的低成本IMU、关节编码器和视觉传感器，构建了视觉-惯性-腿部里程计（VILO）系统，旨在解决动态运动条件下位姿估计的漂移问题。其创新性在于利用多IMU配置修正传统腿部里程计的零速度假设误差，显著提升了复杂地形下的估计精度。数据集包含Unitree Go1机器人在多种室内外环境（包括城市人行道、公园步道等）采集的1.5小时运动数据，总里程达3公里，为足式机器人状态估计领域提供了首个开源的多IMU-VILO基准。

当前挑战

Cerberus2.0针对两大核心挑战提出解决方案：1）领域问题层面，传统腿部里程计因足部滑动、地面变形等动力学效应导致零速度假设失效，而多IMU配置通过足部角速度测量建立枢轴接触模型，将位置估计误差从10-15%降低至2%以下；2）数据构建层面，需解决多传感器时空同步（200Hz IMU与15Hz相机）、足部IMU安装偏差标定、以及剧烈冲击下的传感器饱和问题。此外，因子图优化框架需平衡计算效率与多模态传感器（视觉/惯性/关节）的紧耦合融合，在有限计算资源下实现500Hz的实时控制反馈。

常用场景

经典使用场景

Cerberus2.0数据集在足式机器人状态估计领域具有广泛的应用场景。该数据集通过融合多惯性测量单元（IMU）、关节编码器和视觉传感器的数据，为研究人员提供了一个全面的平台，用于开发和验证低漂移的里程计算法。特别是在机器人需要长距离自主导航且无法依赖外部定位系统（如GNSS）的场景下，该数据集能够支持视觉-惯性-腿部里程计（VILO）方法的性能评估。

衍生相关工作

基于Cerberus2.0数据集，已衍生出多项经典研究工作。其中最具代表性的是将多IMU传感器融合方法集成到视觉-惯性-腿部里程计系统中，形成了首个开源的多IMU VILO实现。该工作扩展了先前会议出版物中的多IMU本体感知里程计，通过加入足部方向估计和重力方向测量模型，显著提升了估计器的鲁棒性。此外，数据集还支持了关于接触状态检测、足部滑动建模和快速旋转下方向估计等问题的深入研究，为后续足式机器人状态估计算法的发展奠定了基础。

数据集最近研究

最新研究方向

在足式机器人领域，Cerberus2.0数据集的最新研究方向聚焦于多惯性测量单元（IMU）的传感器融合技术，以提升在复杂运动条件下的姿态和速度估计精度。该数据集通过融合多个IMU和关节编码器的测量数据，结合基于因子图的滑动窗口估计器，形成了一种视觉-惯性-腿部里程计（VILO）方法。这一方法显著降低了位置偏差，即使在存在强烈地面冲击、足部滑动和突然身体旋转的情况下也能保持稳定。前沿研究还探讨了如何利用足部IMU纠正标准本体感知里程计中的主要误差源，以及如何通过重力方向测量模型防止机器人静止时身体方向不可观测的问题。这些研究不仅推动了足式机器人在GNSS拒止环境中的自主导航能力，还为低成本、轻量化传感器的应用提供了新的解决方案。

相关研究论文

• Multi-IMU Sensor Fusion for Legged Robots

  卡内基梅隆大学机器人学院与机械工程系, 北卡罗来纳大学机械工程系 · 2025年