MARS-LVIG Dataset

该存储库为MARS-LVIG数据集提供了地面真实文件。地面真实姿态由后处理GNSS/INS组合导航软件生成。使用的IMU数据来自Livox AVIA的内部IMU，GNSS结果来自DJI M300 RTK接收器。然而，GNSS和IMU数据并未完全同步。因此，我们尝试使用估计的里程计和GNSS轨迹来对齐GNSS和IMU数据。

This repository provides the ground truth files for the MARS-LVIG dataset. The ground truth poses are generated by post-processed GNSS/INS integrated navigation software. The utilized IMU data is sourced from the internal IMU of the Livox AVIA, while the GNSS results are obtained from the DJI M300 RTK receiver. However, the GNSS and IMU data are not fully synchronized. Therefore, we attempted to align the GNSS and IMU data using estimated odometry and GNSS trajectories.

原始信息汇总

MARS-LVIG数据集真值文件概述

数据集来源

本仓库为MARS-LVIG数据集提供真值文件。

真值生成方法

• 真值位姿由后处理的GNSS/INS组合导航软件生成。
• 使用的IMU数据来源于Livox AVIA的内部IMU。
• GNSS结果来源于DJI M300 RTK接收机。
• GNSS与IMU数据未完全同步，通过估计的里程计和GNSS轨迹进行对齐。

时间对齐参数

真值定义于IMU坐标系中心及IMU时间。GNSS与IMU之间的估计时间偏差$delta{t}=t_{GNSS}-t_{IMU}$（精度约0.1秒）如下：

序列	$delta{t}$ (秒)
AMtown01	0
AMtown02	+0.1
AMtown03	+0.1
AMvalley01	0
AMvalley02	+0.3
AMvalley03	+0.1
HKairport01	-0.2
HKairport02	+0.1
HKairport03	-0.2
HKairport_GNSS01	0
HKairport_GNSS02	-0.6
HKairport_GNSS03	-0.1

搜集汇总

数据集介绍

构建方式

在自动驾驶与机器人定位领域，高精度地面真值数据集的构建至关重要。MARS-LVIG数据集通过融合GNSS与IMU技术生成地面真值姿态，其构建过程采用了后处理的GNSS/INS组合导航软件。具体而言，IMU数据源自Livox AVIA的内部传感器，而GNSS结果则由DJI M300 RTK接收器提供。由于两者之间存在时间同步偏差，研究团队通过估计的里程计与GNSS轨迹进行对齐，精确计算了时间偏移量δt，确保真值定义在IMU坐标系中心及IMU时间点上，从而提升了数据的时空一致性。

特点

该数据集在定位与导航研究中展现出显著特点。其地面真值基于IMU帧中心定义，确保了传感器坐标系的内在统一性。数据涵盖了多种场景序列，包括城镇、山谷及机场环境，反映了复杂实际应用中的多样性。时间同步处理通过精细的δt校正，将GNSS与IMU数据对齐至约0.1秒精度，增强了轨迹的真实性与可靠性。这些特征共同支撑了数据集在评估视觉惯性导航系统时的鲁棒性与实用性。

使用方法

研究人员可利用MARS-LVIG数据集进行视觉惯性导航算法的验证与优化。使用时应首先访问官方网站获取数据集，并参考本仓库提供的地面真值文件。真值数据可直接用于轨迹误差分析，通过对比算法输出与校正后的GNSS/INS融合结果，评估定位精度。注意不同序列对应特定的时间偏移δt，需在数据处理前进行相应调整，以确保时间对齐，从而充分发挥数据集在提升自动驾驶系统性能方面的潜力。

背景与挑战

背景概述

MARS-LVIG数据集由香港大学火星实验室于近年创建，旨在推动自动驾驶与机器人领域的视觉惯性导航系统研究。该数据集聚焦于复杂城市场景下的多传感器数据融合问题，通过整合Livox AVIA激光雷达的内部IMU数据与DJI M300 RTK接收器的GNSS信息，为学术界提供了高精度的地面真值姿态。其核心研究在于解决动态环境中视觉与惯性测量的同步与校准挑战，对提升无人系统的定位鲁棒性与环境感知能力具有显著影响力，已成为相关算法验证的重要基准。

当前挑战

该数据集致力于应对视觉惯性导航在室外大范围场景中的精度退化问题，其挑战体现在传感器异步与数据融合两方面。具体而言，GNSS与IMU数据之间存在未精确同步的时间偏移，需通过估计里程计与GNSS轨迹进行对齐，但各序列的时差校正仍存在约0.1秒的误差波动。此外，在构建过程中，不同场景如城镇、山谷与机场的时空对齐复杂度各异，导致地面真值生成需依赖后处理软件进行精细补偿，这为数据的一致性与可靠性带来了持续的技术考验。

常用场景

经典使用场景

在自动驾驶与机器人导航领域，MARS-LVIG数据集以其高精度的地面真值而著称，为多传感器融合算法的验证提供了关键基准。该数据集通过整合Livox AVIA激光雷达的内部IMU数据与DJI M300 RTK接收器的GNSS信息，生成了经过后处理的同步位姿轨迹。研究人员通常利用这些轨迹来评估视觉-惯性里程计（VIO）或激光雷达-惯性里程计（LIO）系统的定位精度，尤其是在城市街道、山谷和机场等复杂环境中，其经典应用场景涵盖了从算法初始化到长期漂移校正的全流程测试。

衍生相关工作

围绕MARS-LVIG数据集，学术界已衍生出一系列经典研究工作，主要集中在多传感器时空标定、紧耦合融合架构以及鲁棒状态估计等领域。例如，部分研究利用该数据集的时间偏移参数δt，提出了基于图优化的动态对齐方法，以提升异质传感器数据的一致性。另一些工作则借鉴其真值轨迹，设计了新型的激光雷达-惯性-视觉融合框架，增强了系统在GNSS拒止环境中的定位连续性。这些成果不仅丰富了传感器融合的理论体系，也为后续大规模户外导航数据集的构建提供了方法论参考。

数据集最近研究

最新研究方向

在自动驾驶与机器人感知领域，多传感器融合技术正成为提升系统鲁棒性的核心路径。MARS-LVIG数据集以其同步的激光雷达、视觉和惯性测量单元数据，为复杂环境下的定位与建图研究提供了丰富资源。近期研究聚焦于利用该数据集解决GNSS与IMU数据的时间异步问题，通过先进的时间戳对齐算法优化轨迹估计精度，进而推动动态场景中的实时状态估计与语义SLAM技术发展。相关探索不仅关联到自动驾驶在城区、机场等多变环境中的实际部署，也促进了开源生态中多模态数据融合标准的演进，对高精度导航系统的工程化应用具有深远意义。