UWB-Based Infrastructure-Free Positioning and Multi-Robot Relative Localization Dataset

本数据集由图尔库智能嵌入式和机器人系统实验室创建，主要用于评估无基础设施的UWB定位和多机器人相对定位技术。数据集包含24个子集，涵盖了多种场景，包括固定和移动节点，以及不同数量的节点配置。数据收集过程中使用了动作捕捉系统提供地面实况数据，并包括惯性或里程计测量，以支持传感器融合方法的基准测试。此外，数据集还包含了基于天线相对方向的测距精度测量，以及单对节点之间测距的全面测量。该数据集旨在解决多机器人系统中精确和鲁棒位置估计的问题，特别是在无外部基础设施支持的环境中。

This dataset was developed by the Intelligent Embedded and Robotic Systems Laboratory at the University of Turku, primarily intended for evaluating infrastructure-free UWB positioning and multi-robot relative positioning technologies. The dataset consists of 24 subsets covering diverse scenarios, including both fixed and mobile nodes, as well as node configurations with varying quantities. During the data collection process, a motion capture system was employed to provide ground-truth data, and inertial or odometry measurements were included to support benchmarking of sensor fusion approaches. Additionally, the dataset contains ranging accuracy measurements based on the relative orientation of antennas, as well as comprehensive ranging measurements between single pairs of nodes. This dataset aims to address the challenges of accurate and robust position estimation in multi-robot systems, particularly in environments without external infrastructure support.

搜集汇总

数据集介绍

构建方式

在机器人定位领域，超宽带技术因其在非视距环境下的鲁棒性而备受关注。该数据集的构建采用了系统化的实验设计，基于Qorvo DWM1001 UWB模块，在8m×9m的测试场地中通过运动捕捉系统提供毫米级地面真值。数据采集涵盖五个独立案例：案例I专注于天线相对方向与距离对测距误差的影响，通过手动调整节点方位与间距获取基础参数；案例II至V则涉及多机器人系统，配置了从2到8个不等的固定与移动节点，通信频率覆盖7Hz至45Hz，并引入视觉惯性里程计等异构传感器，形成24个子集以覆盖基础设施依赖与无基础设施的相对定位场景。

使用方法

该数据集为超宽带相对定位算法的开发与评估提供了标准化实验平台。研究人员可通过解析公开的ROS2数据包，获取时间同步的UWB测距序列、惯性数据及地面真值轨迹。数据集支持多种定位范式的验证，包括基于最小二乘估计、多边测量及梯度下降的相对定位算法。用户可依据不同案例设计实验，例如利用案例I分析方向性误差模型，或基于案例III与IV的复杂构型评估算法在挑战性几何配置下的鲁棒性。数据集亦适用于多机器人协同定位、传感器融合以及UWB误差表征等前沿研究方向。

背景与挑战

背景概述

超宽带（UWB）定位技术因其低成本与高可靠性，已成为移动机器人及工业物联网中资产追踪等领域的关键解决方案。传统UWB定位研究多依赖于固定锚点，而随着多机器人系统在GNSS拒止环境中自主协作需求的增长，基础设施无关的相对定位成为新兴研究方向。在此背景下，图尔库大学TIERS实验室于2023年发布了“UWB-Based Infrastructure-Free Positioning and Multi-Robot Relative Localization Dataset”。该数据集旨在为多机器人系统中无基础设施的相对定位提供基准测试资源，涵盖了从静态节点到移动节点的多样化场景，并融合了运动捕捉系统提供的真值数据以及惯性、视觉里程计等多模态传感器信息。其核心研究问题聚焦于提升在复杂动态环境下UWB相对定位的精度与鲁棒性，推动了协同导航与自主机器人系统领域的技术发展。

当前挑战

该数据集致力于解决多机器人系统在无基础设施环境中的相对定位问题，其核心挑战在于UWB测距误差受节点相对方向、距离及非视距条件影响显著，导致定位精度在不同配置下波动较大。构建过程中的挑战包括：需在多样化场景中设计实验以覆盖节点数量、空间布局及运动模式的广泛组合；确保运动捕捉系统与UWB数据的高精度同步与校准；处理大量多模态传感器数据的采集、融合与标注，以支持后续算法验证与误差分析。

常用场景

经典使用场景

在机器人协同定位领域，该数据集为无基础设施超宽带定位提供了基准测试平台。其经典使用场景聚焦于多机器人系统在GNSS拒止环境下的相对定位，通过模拟不同数量的固定与移动节点配置，支持对多种相对定位算法的性能评估。数据集包含运动捕捉系统提供的真值数据，以及惯性测量单元和视觉惯性里程计等多模态传感器信息，为传感器融合方法的研究奠定了实验基础。

解决学术问题

该数据集有效解决了超宽带技术在无基础设施定位中面临的若干核心学术问题。它系统性地量化了天线相对方向对测距精度的影响，填补了动态环境下UWB误差建模的数据空白。通过提供多样化的节点空间配置，数据集支持研究者在边缘场景下检验定位算法的鲁棒性，例如节点共线或位于凸包外部等情况。这为发展不依赖固定锚点的协同定位理论提供了关键数据支撑。

实际应用

在工业物联网与自主机器人系统中，该数据集具有显著的实际应用价值。其支持开发的定位技术可应用于仓储物流中的自动导引车协同作业、地下矿井或复杂建筑结构内的机器人勘探等GNSS信号受限的场景。通过实现高精度的相对位置感知，能够提升多机器人编队、协同搬运与搜索救援等任务的可靠性与效率，为构建真正自主的协作机器人网络提供了关键技术验证环境。

数据集最近研究

最新研究方向

在机器人定位领域，超宽带技术因其在无基础设施环境中的鲁棒性而备受关注。该数据集聚焦于无基础设施定位与多机器人相对定位，通过引入多模态传感器融合与动态节点配置，为复杂场景下的协同导航提供了基准。前沿研究正探索基于深度学习的误差校正模型，以应对非视距条件下的测距偏差，同时结合视觉惯性里程计与超宽带数据，提升在GNSS拒止环境中的定位精度与稳定性。该数据集通过涵盖多样化的空间布局与运动模式，促进了自适应算法的发展，对工业自动化与无人机编队等应用具有重要推动作用。

相关研究论文

• Benchmarking UWB-Based Infrastructure-Free Positioning and Multi-Robot Relative Localization: Dataset and Characterization

  图尔库智能嵌入式和机器人系统实验室 · 2023年