City that Never Settles (CNS)

CNS数据集是一个基于模拟的LiDAR数据集，旨在帮助研究长期地点识别（PR）问题，特别是在城市和郊区环境中大规模的结构变化。数据集通过CARLA模拟器创建了多个城市地图和序列，模拟了大规模的结构变化，如建筑物的建设和拆除。数据集包含4个地图和12个序列，每个序列展示了不同的结构变化阶段。CNS数据集为长期PR研究提供了一个新的基准，并提出了TCRsym度量标准，用于量化结构变化。评估表明，现有的PR方法在处理极端变化时性能下降，突出了开发更健壮、适应性更强算法的必要性。

The CNS dataset is a simulation-based LiDAR dataset designed to support research on long-term place recognition (PR), particularly large-scale structural changes in urban and suburban environments. The dataset is generated via the CARLA simulator, which creates multiple urban maps and sequences that simulate large-scale structural alterations such as building construction and demolition. The dataset consists of 4 maps and 12 sequences, with each sequence demonstrating distinct stages of structural change. The CNS dataset provides a novel benchmark for long-term PR research and introduces the TCRsym metric for quantifying structural changes. Evaluations show that existing PR methods experience performance degradation when handling extreme changes, highlighting the necessity of developing more robust and adaptable algorithms.

搜集汇总

数据集介绍

构建方式

City that Never Settles (CNS) 数据集通过CARLA模拟器构建，旨在模拟城市和郊区环境中的大规模结构变化，如建筑物的建设与拆除。研究团队在Riverside、Suburbia、Downtown和Metropolis四个基础地图上，利用Unreal Engine Editor手动删除关键建筑物、树木和地标，生成多个序列以反映不同阶段的结构变化。每个序列通过脚本控制的自动驾驶代理进行遍历，确保从不同视角捕捉结构变化，从而为长期位置识别（PR）研究提供丰富的数据支持。

特点

CNS数据集的特点在于其模拟了极端的结构变化，包括大规模的建筑施工和拆除，这在现有数据集中较为罕见。通过引入TCRsym（对称时间变化比率）指标，该数据集能够量化不同序列间的结构变化程度，确保测量结果不受源-目标顺序的影响。此外，数据集覆盖了多种城市和郊区场景，提供了多视角、多阶段的点云数据，为研究长期PR算法在动态环境中的鲁棒性提供了重要基准。

使用方法

使用CNS数据集时，研究人员可以通过加载不同序列的点云数据，模拟长期环境变化对位置识别算法的影响。数据集的每个序列包含LiDAR和IMU传感器数据，可用于评估算法在极端结构变化下的性能。建议用户结合TCRsym指标，定量分析结构变化对算法性能的影响。此外，数据集提供了预定义的查询和数据库序列，便于进行标准化测试和比较。通过这种方式，CNS数据集为开发适应动态环境的鲁棒PR算法提供了有力工具。

背景与挑战

背景概述

City that Never Settles (CNS) 数据集由韩国首尔国立大学的Hyunho Song、Dongjae Lee等研究人员于2025年提出，旨在解决长期地点识别（PR）在极端城市结构变化下的挑战。该数据集基于CARLA模拟器构建，模拟了城市和郊区环境中大规模的建筑施工与拆除场景，填补了现有数据集在户外大规模结构变化表征上的空白。CNS通过引入对称时序变化比率（TCRsym）指标，量化了环境结构的动态变化程度，为开发鲁棒的长期PR算法提供了重要基准。

当前挑战

CNS数据集面临的挑战主要体现在两个方面：领域问题方面，现有地点识别算法在极端结构变化（如建筑群整体更替）下性能显著下降，传统基于静态场景的局部特征描述子难以适应动态环境；数据构建方面，模拟大规模结构变化需平衡真实性与多样性，CARLA引擎的物理约束导致植被、临时障碍物等细节模拟不足，且人工编辑地图存在主观偏差。此外，TCRsym指标虽解决了时序方向敏感性，但对变化类型的细粒度区分（如新建vs拆除）仍待优化。

常用场景

经典使用场景

在动态城市环境中，长期地点识别（PR）技术面临着建筑结构大规模变化的挑战。City that Never Settles (CNS) 数据集通过模拟城市和郊区环境中的建筑建设与拆除过程，为研究极端结构变化下的长期PR提供了标准化测试平台。该数据集广泛应用于评估激光雷达（LiDAR）基于的地点识别算法在动态环境中的鲁棒性，尤其适用于自动驾驶和机器人导航领域。

实际应用

该数据集的实际应用主要集中在自动驾驶系统的定位与导航领域。通过模拟真实城市中可能遇到的建筑工地、区域改造等场景，CNS为自动驾驶算法提供了极端环境变化的测试环境。此外，在智慧城市建设中，该数据集也可用于评估城市三维建模系统对动态环境的适应能力。

衍生相关工作

基于CNS数据集，研究者们开发了多种改进的长期PR算法。例如RING++利用鸟瞰图（BEV）特征提高了动态环境中的识别准确率；BTC算法则通过子地图构建和验证逻辑增强了算法鲁棒性。这些工作共同推动了长期PR技术在极端环境变化下的发展，为后续研究奠定了基础。