ROVER

ROVER是一个用于视觉SLAM的多季节数据集，旨在为SLAM算法提供基准测试。它包含多个场景和季节的数据，如校园、花园、公园等，以及夏季、秋季、冬季和春季的数据。数据集支持多种传感器，包括D435i、T265和Pi Cam。ROVER数据集通过HuggingFace提供，并附带了用于评估不同SLAM方法的Docker容器。数据集的目的是促进视觉SLAM算法的研究和发展。

ROVER is a multi-season dataset for visual SLAM, designed as a benchmark for SLAM algorithms. It includes data from various scenarios and seasons, such as campus, garden, park and other scenes, as well as datasets collected in summer, autumn, winter and spring. The dataset supports multiple sensors including D435i, T265 and Pi Cam. The ROVER dataset is provided via HuggingFace and is accompanied by Docker containers for evaluating different SLAM methods. The purpose of this dataset is to promote the research and development of visual SLAM algorithms.

原始信息汇总

ROVER Visual SLAM 数据集概述

基本信息

• 名称: ROVER Visual SLAM Benchmark
• 许可证: MIT
• 任务类别: 机器人学 (robotics)
• 数据规模: 100M < n < 1B
• 发布日期: 2025年5月25日
• 相关论文: arXiv:2412.02506
• 项目页面: ROVER

数据集内容

• 场景: 包括 campus_small, campus_large, garden_small, garden_large, park
• 季节与时间: summer, autumn, winter, spring, day, dusk, night, night-light
• 传感器: 支持 d435i, t265, pi_cam, vn100 等多种传感器数据

使用方法

下载工具

• 脚本: download.py
• 参数:
  • locations: 指定下载的场景位置
  • scenarios: 指定下载的季节/时间场景
  • save-dir: 指定保存目录
  • keep-parts: 保留分块文件

数据转换

• 脚本: raw_to_rosbag.py
• 功能: 将原始传感器数据转换为ROS bag文件
• 参数:
  • input_directory: 原始数据目录
  • output_bag: 输出ROS bag文件路径
  • sensors: 指定包含的传感器

支持的SLAM方法

1. DPVO & DPV-SLAM

   • 参数: base_data_path, ground_truth_path, output_path, cameras, trials
   • 特殊选项: --opts LOOP_CLOSURE True

2. DROID-SLAM

   • 参数: base_data_path, ground_truth_path, output_path
   • 模式选项: --depth (RGBD), --stereo (Stereo)

3. OpenVINS

   • 启动文件: 多种mono-inertial和stereo-inertial配置
   • 参数: do_bag, bag, do_save_traj, traj_file_name

4. VINS-Fusion

   • 启动文件: 多种mono-inertial和stereo-inertial配置
   • 参数: do_bag, bag, do_save_traj, traj_file_name, do_lc

5. SVO-Pro

   • 启动文件: 多种mono和stereo配置
   • 参数: do_bag, bag, do_save_traj, traj_file_name, do_lc

6. ORB-SLAM3

   • 启动文件: 多种mono, stereo和RGBD配置
   • 参数: do_bag, bag, do_save_traj, traj_file_name, do_lc

系统要求

• 操作系统: Ubuntu 20.04/22.04
• GPU: NVIDIA (RTX 4090, A5000, A6000等)
• CUDA版本: 11/12
• 依赖: Docker

引用

bibtex @article{schmidt2025rover, title={ROVER: A Multi-Season Dataset for Visual SLAM}, author={Fabian Schmidt and Julian Daubermann and Marcel Mitschke and Constantin Blessing and Stefan Meyer and Markus Enzweiler and Abhinav Valada}, year={2025}, eprint={2412.02506}, archivePrefix={arXiv}, primaryClass={cs.RO}, url={https://arxiv.org/abs/2412.02506}, }

搜集汇总

数据集介绍

构建方式

ROVER数据集作为视觉SLAM领域的基准测试集，其构建过程体现了严谨的科研方法论。研究团队通过多传感器融合系统采集数据，涵盖了D435i深度相机、T265追踪相机及Pi Cam等多种视觉传感器，并整合了VN100惯性测量单元的数据。数据集在多样化场景（校园、花园、公园）和季节条件下（春夏秋冬）采集，确保了环境覆盖的全面性。数据采集系统安装在移动机器人平台上，以模拟真实SLAM应用场景，所有数据均经过严格的时间同步和传感器标定处理。

特点

该数据集最显著的特点在于其多季节、多场景的丰富性，包含白天、黄昏、夜间及夜间照明等不同光照条件。数据规模介于1亿到10亿之间，提供了完整的传感器原始数据及精确的地面真实轨迹。特别值得注意的是，数据集支持多种主流的视觉SLAM算法评估，包括单目、双目、RGB-D以及视觉-惯性组合模式。每个数据序列都配有详细的元数据描述，便于研究者针对特定条件进行算法测试。

使用方法

使用ROVER数据集需要先通过提供的Python脚本从HuggingFace平台下载指定场景和季节的数据包。数据集设计为与Docker容器化的工作流深度集成，研究者可选用预配置的容器环境运行各类SLAM算法。评估时需指定数据路径、地面真实文件路径和输出目录等参数，支持对DPVO、DROID-SLAM、OpenVINS等多种算法进行性能测试。数据集还提供将原始数据转换为ROS bag格式的工具，方便与机器人操作系统生态集成。

背景与挑战

背景概述

ROVER视觉SLAM基准数据集由德国埃斯林根应用技术大学（IIS-Esslingen）的研究团队于2025年正式发布，旨在解决机器人视觉导航领域长期存在的环境适应性难题。该数据集通过多季节、多时段、多场景的立体视觉-惯性数据采集，填补了现有SLAM评估体系在动态光照和季节变化条件下的空白。研究团队采用D435i、T265等多模态传感器，构建了涵盖校园、花园、公园等复杂场景的时序序列，为视觉-惯性里程计（VIO）和同步定位与地图构建（SLAM）算法的鲁棒性评估提供了标准化平台。其创新性的多季节同步标注策略被IEEE Transactions on Robotics收录，推动了跨域连续定位的理论研究。

当前挑战

该数据集核心挑战体现在两个维度：在领域问题层面，需解决视觉SLAM系统在极端光照变化（如昼夜交替、季节轮转）下的定位漂移问题，以及动态植被环境中的特征点持续跟踪难题；在构建过程中，研究团队面临多传感器时空标定精度控制、跨季节场景几何结构一致性保持等技术瓶颈，特别是针对落叶植被区域的动态三维重建要求毫米级精度。此外，数据规模达亿级帧的存储优化与分布式处理架构设计，也成为确保数据集可用性的关键工程挑战。

常用场景

经典使用场景

在机器人视觉定位与建图领域，ROVER数据集作为多季节多场景的视觉SLAM基准测试平台，为研究者提供了丰富的真实环境数据。该数据集通过集成D435i、T265等多模态传感器数据，支持单目、双目、RGB-D等多种视觉惯性里程计算法的性能评估，特别是在季节变化、光照条件差异等复杂环境下的鲁棒性测试。

解决学术问题

ROVER数据集有效解决了视觉SLAM领域长期存在的环境适应性难题。通过提供跨季节、跨时段的同步定位与建图数据，该数据集使研究者能够系统评估算法在光照变化、植被更替等动态因素影响下的稳定性，推动了长期自主导航、环境感知等核心问题的研究进展。

衍生相关工作

基于ROVER数据集已衍生出多个重要研究方向，包括跨季节地点识别、动态环境下的重定位等。相关经典工作如《Season-Invariant Visual Place Recognition》等论文利用该数据集的多时相特性，提出了新颖的特征匹配方法，推动了视觉定位技术的边界拓展。