Newer College Dataset 扩展版

Newer College Dataset 扩展版是由牛津大学机器人研究所创建的一个多摄像头激光雷达惯性数据集，涵盖了4.5公里的步行距离。该数据集通过全球快门多摄像头设备与IMU和激光雷达硬件同步，提供了比原始数据集更精确的数据。数据集包含六自由度地面实况姿态，频率为10Hz，适用于测试定位和映射系统。此外，数据集还包含多种挑战性场景，如突然的光照变化、无纹理表面和剧烈运动。该数据集旨在推动自主导航系统的研究，特别是在处理复杂环境中的定位和映射问题。

The Newer College Dataset Extended Edition is a multi-camera LiDAR-inertial dataset created by the Robotics Institute at the University of Oxford, covering a total walking distance of 4.5 kilometers. It synchronizes global-shutter multi-camera devices with IMU and LiDAR hardware, providing more precise data than the original dataset. The dataset contains 6-degree-of-freedom ground-truth poses at a frequency of 10Hz, which is suitable for testing localization and mapping systems. In addition, the dataset includes various challenging scenarios such as sudden illumination changes, texture-less surfaces, and aggressive motions. This dataset aims to advance research on autonomous navigation systems, particularly addressing localization and mapping problems in complex environments.

搜集汇总

数据集介绍

构建方式

在机器人自主导航领域，高质量的数据集对算法评估至关重要。Newer College Dataset扩展版通过手持设备采集数据，该设备集成了硬件同步的多相机、激光雷达和惯性测量单元。数据采集涵盖4.5公里步行距离，包括三个独立序列：新学院区域、回廊与公园区域以及数学研究所区域。每个序列根据运动速度和环境复杂度分为不同难度等级，如快速行走、狭窄通道和光照突变场景。地面真值通过高精度激光扫描仪获取先验地图，并采用点云配准方法生成10Hz的六自由度位姿，确保了轨迹的精确性。

特点

该数据集的核心特点在于其多传感器硬件同步架构，全球快门多相机与激光雷达、IMU通过精密时间协议实现微秒级同步，显著提升了数据时序一致性。传感器配置包括128通道激光雷达提供密集点云，四个鱼眼相机形成重叠视场，以及双IMU分别以100Hz和200Hz频率采集惯性数据。数据集场景设计多样，涵盖开阔空间、植被区域、纹理缺失表面及光照剧烈变化环境，为视觉-激光雷达-惯性里程计与SLAM算法提供了极具挑战性的测试平台。

使用方法

研究社区可通过公开链接获取数据集，其中包含时间戳对齐的传感器原始数据、校准参数及高频率地面真值轨迹。使用者可基于ROS框架加载数据包，利用提供的URDF模型进行传感器坐标系转换。该数据集适用于多相机视觉惯性里程计、激光雷达SLAM及多模态融合算法的开发与评估，例如通过特征跨相机跟踪提升鲁棒性。数据已按序列难度分级，便于渐进式测试算法在运动剧烈或纹理稀疏场景下的性能表现。

背景与挑战

背景概述

随着机器人自主导航领域的迅猛发展，高质量公开数据集对于推动算法研究与系统评估具有关键作用。Newer College Dataset扩展版由牛津大学机器人研究所于2022年发布，其核心目标在于填补多相机配置在同步定位与建图（SLAM）研究中的数据空白。该数据集通过集成硬件同步的多相机系统、高密度128线激光雷达以及惯性测量单元，在4.5公里步行轨迹中提供了涵盖狭窄通道、开阔空间及植被区域的多场景数据。相较于传统单目或双目数据集，其创新性地提供了激光雷达频率下的六自由度高频真值轨迹，为复杂环境下的鲁棒性导航算法开发奠定了重要基础。

当前挑战

在机器人感知领域，多传感器融合系统常面临动态光照、纹理缺失表面及剧烈运动等复杂场景的稳定性挑战。该数据集针对此类问题，专门设计了包含快速旋转、光照突变及低纹理走廊的序列，以检验视觉-惯性里程计在极限条件下的失效边界。在构建过程中，研究团队需克服多模态传感器的高精度硬件同步难题，通过精密时间协议实现微秒级同步精度，并利用三维激光扫描仪构建先验地图以生成高频真值。此外，多相机标定中的重叠视场特征关联与运动畸变校正，亦成为保障数据质量的关键技术瓶颈。

常用场景

经典使用场景

在机器人自主导航领域，Newer College Dataset 扩展版作为多相机激光雷达惯性数据集，其经典应用场景在于为视觉惯性里程计（VIO）与同步定位与建图（SLAM）算法提供基准测试平台。该数据集通过硬件同步的多相机配置与高密度激光雷达，在狭窄走廊、开阔空间及植被区域等多种复杂环境中采集数据，模拟了真实世界中的挑战性条件，如光照突变、纹理缺失表面及剧烈运动。研究者可利用其高频六自由度地面真值轨迹，系统评估多传感器融合算法在动态场景下的鲁棒性与精度。

衍生相关工作

基于该数据集，已衍生出多项经典研究工作，例如多相机视觉惯性里程计系统VILENS-MC。该系统利用数据集的跨相机特征跟踪能力，在因子图优化框架中整合多相机观测，显著提升了在纹理缺失或剧烈运动场景中的轨迹估计精度。此外，该数据集也被广泛用于评估ORB-SLAM3、OpenVINS等开源SLAM算法的性能，促进了多传感器融合与鲁棒状态估计领域的算法比较与创新，为后续研究提供了可复现的基准与改进方向。

数据集最近研究

最新研究方向

在机器人自主导航领域，多传感器融合技术正成为提升系统鲁棒性的关键路径。Newer College Dataset扩展版通过集成硬件同步的多相机、激光雷达与惯性测量单元，为复杂环境下的定位与建图研究提供了高精度基准。该数据集的前沿应用聚焦于多相机视觉惯性里程计（VIO）的算法优化，尤其在纹理缺失、光照突变及剧烈运动等挑战性场景中，研究者借助跨相机特征跟踪技术增强状态估计的稳定性。相关热点如DARPA地下挑战赛等实际任务，推动了多模态感知系统在狭窄通道、植被区域等非结构化环境中的性能验证。这一数据集的发布，弥合了工业应用与学术研究在传感配置上的差距，为多相机SLAM算法的标准化评估与创新突破奠定了重要基础。

相关研究论文

• Multi-Camera LiDAR Inertial Extension to the Newer College Dataset

  牛津大学机器人研究所 · 2022年