warehouse trial data

该数据集由克拉根福大学网络系统控制研究组与AGILOX Services GmbH合作创建，旨在为工业自主移动机器人（AMR）的UWB-里程计融合研究提供基准数据。数据集包含在真实仓库环境中采集的UWB测距数据、机器人位姿先验信息以及里程计传感器数据，覆盖室内及室内外过渡场景，数据量紧凑且经过地面真值标注。数据采集过程通过商业物流AMR平台执行，采用自定义的时分多址UWB测距协议，在单次校准轨迹中同步收集多标签到多锚点的测距信息。该数据集主要应用于UWB定位算法的性能评估、多传感器融合方法验证以及工业机器人导航系统的鲁棒性测试，为解决UWB在复杂工业环境中部署时的锚点校准与传感器集成难题提供实证支持。This dataset was collaboratively developed by the Networked Systems Control Research Group of the University of Klagenfurt and AGILOX Services GmbH, aiming to provide benchmark data for UWB-odometry fusion research on industrial autonomous mobile robots (AMRs). The dataset includes UWB ranging data, robot pose prior information, and odometry sensor data collected in real warehouse environments, covering both indoor and indoor-outdoor transition scenarios. It features compact data volume and has been fully annotated with ground truth. The data collection was conducted on a commercial logistics AMR platform, utilizing a custom time-division multiple access (TDMA) UWB ranging protocol, and synchronously acquired ranging information between multiple tags and multiple anchors during a single calibration trajectory. This dataset is primarily applied to the performance evaluation of UWB positioning algorithms, validation of multi-sensor fusion methods, and robustness testing of industrial robot navigation systems, providing empirical support for solving the challenges of anchor calibration and sensor integration when deploying UWB in complex industrial environments.

搜集汇总

数据集介绍

构建方式

该数据集依托于商业物流自主移动机器人在真实仓库环境中采集而成，记录了13条轨迹数据。机器人装备了三枚Qorvo DWM1001-DEV超宽带收发器，呈不对称布局以优化几何精度，同时部署了十二个静态锚点，其中部分位于室外以评估室内外混合场景。数据采集过程中，通过配置化时分多址协议实现标签与锚点间的单向网状双向测距，在视距条件下达到约每秒300次测距速率。此外，同步记录了由激光雷达定位系统提供的二维位姿真值、车身速度及超宽带原始测距值，为后续算法验证提供了完备的基准信息。

使用方法

研究者可利用该数据集复现并验证所提出的两阶段超宽带定位流水线。第一阶段，利用提供的机器人位姿先验与测距数据执行鲁棒非线性最小二乘优化，自动估算锚点位置与偏置参数；第二阶段，将标定结果导入基于流形的误差状态扩展卡尔曼滤波器，实现与轮式里程计的融合定位。为评估算法可迁移性，数据集还适用于跨平台验证，例如将其与独立叉车数据集进行对比分析。同时，可通过调整活跃锚点数量或标签组别来测试系统在稀疏配置下的定位表现。

背景与挑战

背景概述

在工业自动化浪潮的推动下，自主移动机器人已成为现代物流与制造的核心要素，其精准且鲁棒的定位能力是实现高效自主导航的关键。然而，传统基于激光或视觉的定位方案成本高昂且功耗较大，促使业界寻求更为经济可靠的替代技术。超宽带凭借其出色的测距精度与低功耗特性，在仓库、工厂等GNSS拒止环境中展现出巨大潜力。由Alexander Raab、Giulio Delama、Roland Jung及Stephan Weiss等研究人员于2026年提出的warehouse trial data数据集，正是在这一背景下应运而生。该数据集由奥地利AGILOX Services GmbH与克拉根福大学联合发布，专注于解决工业物流自主移动机器人在实际部署中面临的超宽带定位难题，通过公开的仓库实测数据，推动了超宽带与里程计融合定位方法的基准测试与算法开发，对工业机器人定位领域产生了重要的推动作用。

当前挑战

该数据集所应对的核心挑战首先体现在领域问题的复杂性上：超宽带定位在工业场景中需要克服两大障碍——一是静态锚点的标定过程耗时且易出错，容易引入测距偏差；二是超宽带与机器人内置传感器的融合需精心设计，以抑制测量相互依赖、传感器噪声及系统偏差对位姿估计一致性的影响。此外，构建该数据集的过程同样充满挑战，包括在典型的多径效应与有限视距条件下部署十二个超宽带锚点，并同步采集来自商业物流自主移动机器人上三个车载标签的测距数据与里程计信息；同时，还需应对室内外过渡区域定位精度下降、稀疏锚点覆盖及标签数量减少对系统鲁棒性的考验，并保证地面真值数据的毫米级精度，最终形成一个紧凑且经过验证的公开资源。

常用场景

经典使用场景

在工业自主移动机器人（AMR）的定位与导航研究领域，warehouse trial data 数据集被广泛用于评估超宽带（UWB）与轮式里程计融合定位系统的性能。该数据集记录了在真实仓库环境中运行的商业物流AMR的完整传感器数据，包括LiDAR提供的高精度位姿真值、机器人本体速度信息以及多个UWB标签与静态锚点之间的双向测距数据。研究人员常利用该数据集验证端到端UWB定位管线的有效性，尤其是自动锚点标定与地形感知扩展卡尔曼滤波（M-ESEKF）相结合的方案，从而评测在室内外过渡、非视距遮挡及稀疏锚点配置等复杂工况下的定位精度与一致性。该数据集的经典使用场景即为工业级环境下的UWB-里程计紧耦合定位算法性能基准测试。

解决学术问题

该数据集针对工业AMR实际部署中长期存在的两大核心学术难题提供了解决方案：其一是静态UWB锚点标定过程耗时且易出错，其二是多传感器融合时参数调优繁琐且一致性难以保证。通过提供经过精心标定和地面真值验证的仓库实测数据，研究者能够深入分析自动锚点初始化算法的精度及其对后续定位的影响，量化偏差感知测距模型相较于传统纯距离模型在估计一致性上的提升。同时，该数据集使得学术界能够系统研究在不同锚点数量、不同标签配置以及室内外环境转换条件下，UWB与轮式里程计融合系统的可观测性与鲁棒性。其意义在于为UWB工业定位算法的可复现性评估与公平比较提供了宝贵的公开基准资源，推动了该领域从理论仿真走向真实部署的实质性进展。

实际应用

在实际工业场景中，warehouse trial data 所验证的定位技术可直接赋能仓储物流环境下的自主搬运机器人、无人叉车以及分拣系统。基于该数据集所开发的自动锚点标定与地形感知融合算法，使得AMR能够在无需人工干预的情况下快速适应新仓库环境，显著缩短了系统部署周期和运维成本。在具体应用中，装备该技术的机器人能够在室内货架区、装卸月台以及仓库外部的临时转运区之间无缝导航，即使面对部分UWB信号遮挡或仅依靠稀疏锚点覆盖，仍能维持厘米级的定位精度。这一能力对于提升物流自动化系统的作业效率、降低设备碰撞风险以及实现全天候无人化运营具有直接的工程价值，尤其适用于电商仓储、汽车制造车间等对定位连续性要求极高的场景。

数据集最近研究

最新研究方向

在工业自主移动机器人（AMR）定位领域，超宽带（UWB）技术正逐步从实验室走向真实部署，其核心挑战在于如何实现锚点的自动化校准与多传感器融合的鲁棒性。最新研究聚焦于端到端的部署管线，将自动锚点初始化与基于流形的地面感知扩展卡尔曼滤波器相结合，通过引入偏差感知的距离测量模型，系统性地处理校准不确定性、常数偏差及距离相关偏差。该方向不仅验证了在仓库环境中混和室内外过渡场景下的高精度定位能力，还通过跨平台的叉车数据集评估了算法迁移性。尤其在稀疏锚点与非视距条件下的稳健表现，使得UWB定位有望大幅降低人工干预成本，为工业物流的全自主导航提供关键支撑。

相关研究论文

• Deployment-Ready UWB Localization for Industrial Ground Robots with Automatic Anchor Calibration and Terrain-Aware Fusion

  克拉根福大学·网络系统控制研究组; AGILOX Services GmbH · 2026年