Segway DRIVE Benchmark

Segway DRIVE Benchmark是由九号机器人有限公司创建的一个新颖且具有挑战性的数据集，旨在支持视觉地点识别和同步定位与地图构建（SLAM）研究。该数据集由一群九号配送机器人在执行任务时收集，这些机器人装备有全局快门鱼眼相机、消费级IMU、两个低成本轮编码器和一个可拆卸的高精度激光雷达。数据集涵盖了一年的时间，特点是平面运动、场景中的移动行人以及环境和照明的变化。这些因素为SLAM算法带来了严峻的挑战。此外，数据集还提出了几种评估度量，用于评估度量地点识别算法。该数据集适用于评估SLAM和地点识别方法，特别是在解决实际世界自主导航任务中的应用问题。Segway DRIVE Benchmark is a novel and challenging dataset created by Ninebot Robotics Co., Ltd., aimed at supporting research on visual place recognition and simultaneous localization and mapping (SLAM). This dataset was collected by a fleet of Ninebot delivery robots during their operational tasks. These robots are equipped with global-shutter fisheye cameras, consumer-grade IMU, two low-cost wheel encoders, and a detachable high-precision LiDAR. The dataset spans a one-year period and features planar robot motion, moving pedestrians in the scene, as well as environmental and lighting variations. These factors pose severe challenges to SLAM algorithms. Furthermore, the dataset provides several evaluation metrics for assessing visual place recognition algorithms. This dataset is suitable for evaluating SLAM and place recognition methods, especially for addressing practical application challenges in real-world autonomous navigation tasks.

搜集汇总

数据集介绍

构建方式

在视觉定位与同步定位与建图（SLAM）研究领域，现有数据集常难以反映真实场景下的机器人操作，存在学术研究与实际部署之间的鸿沟。Segway DRIVE Benchmark 通过部署一支配送机器人队伍，在办公楼与购物中心执行日常任务过程中采集数据，构建了一个新颖且具有挑战性的数据集。每个机器人配备了全局快门鱼眼相机、与相机芯片同步的消费级惯性测量单元、两个低成本轮式编码器以及可拆卸的高精度激光雷达用于生成参考轨迹。数据采集跨越一年时间，涵盖了平面运动、场景中移动行人以及环境与光照变化等多种复杂因素，这些因素通常对SLAM算法构成严峻挑战。数据集以ROS包格式提供，包含数百个序列，覆盖超过50公里的室内路径，并持续更新以反映真实世界的动态变化。

使用方法

该数据集主要用于评估视觉惯性里程计、SLAM建图算法以及度量地点识别方法的性能。研究人员可利用提供的ROS数据包，其中包含鱼眼相机图像、惯性测量单元数据以及由轮式编码器推导出的相机位姿，作为算法输入。数据集附带了传感器标定信息，包括相机内参、相机与惯性测量单元的外参以及惯性测量单元的噪声特性，确保算法能基于准确的传感器模型进行开发与测试。对于性能评估，数据集提供了由激光雷达生成的高精度参考轨迹，可用于计算绝对轨迹误差和相对位姿误差等标准SLAM评估指标。此外，针对度量地点识别任务，数据集提出了新颖的评估指标，用于量化定位的频率与异常值，并通过提供的Python工具实现自动化评估，便于研究者系统性地比较不同算法的鲁棒性与准确性。

背景与挑战

背景概述

随着自主导航技术在移动机器人领域的广泛应用，视觉地点识别与同步定位与建图（SLAM）算法成为实现机器人自主运行的核心技术。然而，现有SLAM研究数据集往往难以真实反映实际部署环境中的复杂场景，导致学术研究与实际应用之间存在显著鸿沟。为弥合这一差距，Segway Robotics公司于2019年发布了Segway DRIVE Benchmark数据集。该数据集由一支配送机器人车队在办公楼与商场等室内环境中执行日常任务时采集，历时一年，覆盖超过50公里的室内路径。数据集配备了全球快门鱼眼相机、消费级惯性测量单元、低成本轮式编码器及高精度激光雷达等多种传感器，旨在为SLAM与地点识别算法提供贴近现实场景的评估基准。

当前挑战

Segway DRIVE Benchmark数据集致力于解决自主导航中视觉地点识别与SLAM算法在复杂室内环境下的鲁棒性问题。其核心挑战在于算法需应对动态障碍物、光照变化、重复场景及平面运动等实际因素，这些因素常导致特征跟踪失效或尺度不可观测。在构建过程中，研究团队面临多重挑战：一是需在长达一年的数据收集中保持传感器同步与标定精度，尤其是在使用消费级IMU与轮式编码器时，其噪声特性对里程计算法构成严峻考验；二是如何从激光雷达数据中生成高精度参考轨迹，并解决多传感器时间对齐与外参标定问题；三是数据集需涵盖环境与照明随时间变化的序列，以模拟真实场景的长期演变，这对地图融合与重定位方法提出了极高要求。

常用场景

经典使用场景

在自主导航与机器人定位领域，Segway DRIVE Benchmark 作为一项具有代表性的数据集，其经典使用场景聚焦于视觉位置识别与同步定位与建图算法的性能评估。该数据集通过配送机器人舰队在真实办公大楼与购物中心等室内环境中长期运行采集，涵盖了平面运动、动态行人干扰、光照变化及环境结构重复性高等复杂条件，为研究者提供了模拟实际部署场景的测试平台。数据集包含鱼眼相机、低成本惯性测量单元与轮式编码器的同步数据，并辅以高精度激光雷达生成的参考轨迹，使得算法能够在接近真实运营的挑战下进行验证与优化。

解决学术问题

该数据集有效解决了视觉惯性导航系统中因平面运动导致的尺度不可观测性问题，以及动态环境下特征跟踪失效的学术挑战。通过提供长时间跨度的重复路线数据，它支持对算法在光照变化、场景结构相似性及动态障碍物干扰下的鲁棒性研究。数据集引入的轮式编码器数据为轮式机器人的状态估计提供了补充约束，有助于改善视觉惯性里程计在平面运动中的精度。此外，其提出的度量位置识别评估指标，如定位频率与异常值分析，为量化算法在长期运行中的一致性提供了新的方法论框架。

实际应用

在实际应用层面，Segway DRIVE Benchmark 直接服务于室内配送机器人的自主导航系统开发。数据集模拟了真实配送任务中的典型环境，如办公楼走廊、商场楼层等，其包含的动态行人、照明变化及地面颠簸等因素直接影响机器人的定位稳定性。通过在该数据集上测试与优化SLAM算法，研发团队能够提升机器人在复杂室内场景中的路径规划精度与避障能力，从而推动无人配送服务的规模化落地。数据集的持续扩展也反映了实际运营中环境演变的连续性，为系统长期自适应提供了数据支撑。

数据集最近研究

最新研究方向

在自主导航领域，Segway DRIVE Benchmark 作为一款由配送机器人车队采集的真实世界数据集，正推动视觉位置识别与同步定位与建图（SLAM）技术的前沿探索。该数据集以其室内动态环境、光照变化及平面运动特性，成为评估算法鲁棒性的关键平台。当前研究聚焦于多传感器融合策略，特别是视觉惯性里程计与轮式编码器的协同优化，以应对尺度不可观测性挑战。同时，学者们利用该数据集开发新型度量位置识别评估指标，如定位频率与异常值分析，旨在提升长期场景下的算法稳定性。随着配送机器人应用的普及，该数据集持续扩展，为动态障碍物处理、环境适应性建模等热点问题提供了实证基础，加速了学术研究与实际部署的衔接。

相关研究论文

• Segway DRIVE Benchmark: Place Recognition and SLAM Data Collected by A Fleet of Delivery Robots

  九号机器人有限公司 · 2019年