M3DGR

M3DGR是一个多模态、多场景和大规模基准的SLAM数据集，专为地面机器人设计。它包含了多种传感器的数据，如LIDAR、RGB相机、GNSS、红外相机、V-I传感器、事件相机、IMU、GNSS-IMU、激光扫描仪和运动捕捉系统。

M3DGR is a multimodal, multi-scenario, and large-scale benchmark dataset specifically designed for ground robots. It encompasses data from various sensors such as LIDAR, RGB cameras, GNSS, infrared cameras, V-I sensors, event cameras, IMUs, GNSS-IMU, laser scanners, and motion capture systems.

原始信息汇总

M3DGR: 多传感器、多场景、大规模基线地面机器人SLAM数据集

1. 传感器配置

采集平台

• 地面机器人物理图纸和示意图，包含传感器布置（顶部、中层、底层）及方向标记（X:红，Y:绿，Z:蓝）。

传感器参数

传感器类型	型号/参数	频率	数据主题路径
LiDAR1	Livox Avia, 非重复扫描, 70.4°水平FOV, 77.2°垂直FOV, 最大测距450m, 精度2cm	10Hz	/livox/avia/lidar
LiDAR2	Livox MID-360, 360°水平FOV, -7°至+52°垂直FOV, 最大测距40m	10Hz	/livox/mid360/lidar
V-I Sensor	Realsense d435i, RGB/深度640*480, 69°H-FOV, 42.5°V-FOV	15Hz	/camera/color/image_raw/compressed, /camera/aligned_depth_to_color/image_raw/compressedDepth
全向相机	Insta360 X4, 2880*1440分辨率, 360°H/V-FOV	15Hz	/cv_camera/image_raw/compressed
轮式里程计	WHEELTEC, 2D	20Hz	/odom
GNSS接收器	CUAV C-RTK9Ps, 支持BDS/GPS/GLONASS/Galileo	10Hz	多主题路径（/ublox_driver/系列）
RTK接收器	CUAV C-RTK2HP, 定位精度0.8cm(H)/1.5cm(V)	15Hz	-
动作捕捉系统	OptiTrack, 定位精度1mm	360Hz	-

2. 数据集序列

总体统计

场景类型	序列数	总距离(m)	总时长(s)	总大小(GB)	地面真值来源
视觉挑战	32	11868.95	14821	225.0	RTK/Mocap/ArUco
标准场景	4	4485.49	5101	86.0	RTK

细分场景

标准场景

• 特征：长时间运行、室外环境
• 示例序列：
  • Longtime01: 1798s, 30.2GB
  • Outdoor01: 411s, 6.10GB

视觉挑战

• 子类：黑暗环境（5序列）、光照变化（4序列）、动态物体（3序列）、遮挡（4序列）
• 示例序列：
  • Dark03: 206s, 2.21GB（夜间）
  • Varying-illu03: 1027s, 13.5GB（光照变化）

LiDAR退化

• 子类：长廊（2序列）、电梯（1序列）
• 示例序列：
  • Corridor01: 403s, 6.39GB
  • Elevator01: 699s, 11.2GB

轮子打滑

• 子类：轮悬空（2序列）、急转弯（2序列）、草地（3序列）
• 示例序列：
  • Wheel-float01: 123s, 1.5GB
  • Grass01: 287s, 6.10GB

GNSS拒止

• 特征：长时间GNSS信号缺失
• 示例序列：
  • GNSS-denial01: 609s, 10.5GB

3. SLAM基准测试

测试方法分类

1. VO系统：TartanVO, ORB-SLAM2
2. VIO系统：ORB-SLAM3, VINS-Mono, GVINS
3. LO系统：LOAM, Lego-LOAM
4. LIO系统：LIO-SAM, Fast-LIO2
5. LVIO系统：LVI-SAM, R3LIVE

关键论文/代码

• Ground-Fusion++
• FAST-LIO2
• LVI-SAM

注：完整数据集和基准代码将在论文接受后发布。

搜集汇总

数据集介绍

构建方式

M3DGR数据集的构建，依托多模态、多场景的地面机器人定位与建图（SLAM）需求，集成多种传感器数据，包括LIDAR、RGB相机、GNSS、红外相机、视觉-深度传感器、事件相机、IMU及GNSS-IMU等。各传感器参数经过精心配置，如Velodyne VLP-32C LIDAR具备360度水平视场角，10Hz的采样率，以及3cm的距离分辨率，确保数据集在多场景下的适用性与准确性。

特点

该数据集的特点在于其多模态、多场景以及大规模基线的综合特性，提供了丰富的视觉挑战序列、轮滑移序列、GNSS拒止环境序列以及LiDAR退化序列等，能够全面考验地面机器人在复杂环境中的SLAM性能。数据集涵盖了从室内到室外、从静态到动态环境的多样化场景，且各传感器数据的同步性和准确性均经过严格校验。

使用方法

使用M3DGR数据集时，用户需关注其提供的ROS bag序列及其对应的rostopic，如LIDAR数据通过`/velodyne_points`获取，RGB相机图像通过多个`/camera/image_raw/compressed`话题获取。此外，GNSS、IMU等数据也通过相应的rostopic进行获取。用户需根据自身需求，对数据集中的序列进行选择和处理，以开展SLAM相关的算法研究和系统开发。

背景与挑战

背景概述

M3DGR数据集是一款面向地面机器人的多模态、多场景、大规模基线的SLAM（Simultaneous Localization and Mapping）数据集。该数据集的创建旨在为地面机器人SLAM系统的研究与开发提供全面而丰富的数据支持。M3DGR数据集由一系列传感器组成，包括LIDAR、RGB相机、GNSS、红外相机、视觉-深度传感器、事件相机和IMU等，这些传感器提供了全方位的环境感知信息。该数据集的构建时间为近期，由相关领域的研究团队负责，目前论文正处于审稿阶段，待接受后将全面公开数据集和代码。M3DGR数据集的发布，将对地面机器人导航、感知和决策等领域的研究产生重要影响，进一步推动相关技术的发展。

当前挑战

M3DGR数据集面临的挑战主要涉及两个方面：一是领域问题层面的挑战，包括在复杂多变的环境中实现鲁棒的视觉挑战应对、轮滑问题处理、GNSS信号受阻情况下的定位问题，以及LiDAR退化现象的处理等；二是数据集构建过程中的挑战，如多源异构数据的同步与融合、数据采集平台的高精度标定、大规模数据集的处理与存储等。这些挑战不仅考验着数据集的质量，也反映了SLAM技术在实用化过程中需要克服的关键难题。

常用场景

经典使用场景

M3DGR数据集作为地面机器人同步定位与地图构建(SLAM)领域的重要资源，其多模态、多场景及大规模基线的特性使其在学术研究中备受青睐。该数据集集成了多种传感器数据，如LIDAR、RGB相机、GNSS、IMU等，为研究者提供了一个全面、真实的环境感知数据来源。在经典的使用场景中，学者们通常利用M3DGR进行算法验证与性能评估，尤其是在复杂环境下机器人导航与地图构建的准确性、鲁棒性研究。

解决学术问题

M3DGR数据集的发布解决了SLAM领域中的多个关键问题，如视觉挑战、轮滑移和GNSS信号遮挡等。这些问题的解决对于提升地面机器人在复杂、非结构化环境中的定位与导航能力至关重要。数据集的多模态特性使得研究者能够探索多传感器融合策略，以提高SLAM系统的整体性能和可靠性。

衍生相关工作

基于M3DGR数据集，学术界衍生了多项经典工作，包括但不限于多传感器数据融合算法、SLAM系统优化、环境建模与理解等。这些研究成果进一步推动了地面机器人SLAM技术的发展，为未来的智能系统研究奠定了坚实的基础。