FLYINGTRUST

FLYINGTRUST是一个用于四旋翼飞行器视觉导航算法评估的基准数据集，由中山大学电子与通信工程学院的研究团队创建。该数据集包含18个真实世界中的四旋翼平台和18个通过插值生成的虚拟平台，以及7个代表性的导航场景，共252个平台场景组合。每个组合都经过多次独立试验，以报告成功率、置信区间和稳定性指标。FLYINGTRUST旨在揭示算法-平台-场景之间的脆弱交互，帮助研究人员优先考虑哪些算法-平台对值得进行昂贵的真实世界飞行测试，从而降低开发成本和风险。

搜集汇总

数据集介绍

构建方式

FLYINGTRUST数据集通过系统化建模四旋翼飞行器的动力学性能与场景几何特征来构建。该数据集采用紧凑且物理可解释的指标——最大推重比和轴间最大角加速度，量化了36个异构平台（包括18个真实飞行器和18个通过设计空间插值生成的虚拟飞行器）的动力学特性。同时，数据集整合了七类代表性导航场景，涵盖森林、城市等经典环境与窄缝、迷宫等理论极端场景，通过平台与场景的笛卡尔积生成252种组合，并在标准化任务规范下进行多轮独立试验，确保评估的全面性与可重复性。

特点

FLYINGTRUST数据集的核心特点在于其多维异构性与可配置性。数据集深度融合了平台动力学参数与场景结构特征，通过推重比和角加速度等指标精确刻画飞行器的机动性与敏捷性，揭示了算法性能对硬件能力的敏感依赖。场景库设计兼具实用性与挑战性，既包含现实世界常见环境，也引入针对性应力测试场景，有效暴露算法在极端几何条件下的脆弱性。此外，数据集提供标准化评估协议与复合评分机制，平衡场景重要性、平台权重及性能稳定性，为跨算法公平比较提供科学依据。

使用方法

使用FLYINGTRUST数据集时，研究者需首先加载预设的平台配置文件与场景模型库，通过交叉组合生成待评估的平台-场景对。每个组合需在仿真环境中执行重复试验，记录导航成功率、轨迹质量及动力学约束违反情况等指标。数据集支持集成主流优化型与学习型导航算法，并在统一速度限制与任务时限下进行性能对比。最终结果可通过加权复合评分系统进行聚合分析，该评分综合考量场景类型权重、平台类别重要性及算法跨条件稳定性，从而为算法选择与部署优先级提供量化指导。

背景与挑战

背景概述

FLYINGTRUST数据集由中山大学电子与通信工程学院的研究团队于2025年提出，旨在解决四旋翼无人机视觉导航算法在跨平台和跨场景部署中的性能波动问题。该数据集通过集成18个真实无人机平台和18个虚拟平台，结合七类典型导航场景，构建了一个高保真、可配置的仿真基准框架。其核心研究聚焦于量化平台运动学特性与场景几何结构对导航鲁棒性的联合影响，推动了无人机自主导航算法从仿真到实物的系统化评估进程。

当前挑战

FLYINGTRUST针对视觉导航算法在异构平台与复杂场景中的泛化性挑战，重点解决了传统方法因忽略平台推力重量比、角加速度等运动学约束而导致的轨迹执行失败问题。在构建过程中，数据集面临多维度挑战：需精确建模无人机动力学参数与场景几何的耦合关系，设计涵盖经典导航环境与极端压力测试场景的异构库，并建立平衡场景重要性、平台权重与性能稳定性的复合评分体系，以揭示算法在跨平台迁移中的系统性失效模式。

常用场景

实际应用

在工业实践中，FLYINGTRUST可作为无人机系统选型与算法部署的前期验证工具。制造商可利用其虚拟平台库预测新机型在不同任务场景下的导航性能，而算法开发者则能通过系统化测试提前识别算法在特定平台-场景组合中的失效风险。这种仿真优先的评估策略显著降低了实地测试的成本与风险，为无人机在精准农业、基础设施巡检等领域的规模化应用提供了技术保障。

衍生相关工作

该数据集催生了多项关注平台自适应导航的创新研究。基于其揭示的动力学敏感性，后续工作发展了融合平台动力学模型的混合规划算法，以及通过元学习实现跨平台泛化的控制策略。同时，数据集提供的标准化测试协议促进了FAST-Planner、EGO-Planner等主流导航算法的性能对比研究，推动了视觉导航领域评估范式的统一与完善。