alvgaona/tii-ratm-rosbag2

--- license: cc-by-4.0 task_categories: - robotics tags: - ros2 - slam - vio - drone-racing - openvins - pose-estimation pretty_name: TII-RATM ROS2 Bags with OpenVINS VIO size_categories: - 1K<n<10K --- # TII-RATM ROS2 Bags with OpenVINS VIO Pre-recorded ROS2 bags from the [TII-RATM drone racing dataset](https://github.com/tii-racing/tii-ratm-dataset) with OpenVINS visual-inertial odometry, ground truth, and synthetic gate detections. Ready to use for SLAM evaluation without needing to run OpenVINS. ## Contents Each flight directory contains a single mcap bag with the following topics: | Topic | Type | Description | |-------|------|-------------| | `/ov_msckf/odomimu` | `nav_msgs/Odometry` | OpenVINS VIO odometry (~500Hz) | | `/ov_msckf/pathimu` | `nav_msgs/Path` | VIO trajectory path | | `/tf` | `tf2_msgs/TFMessage` | odom → base_link transform from OpenVINS | | `/clock` | `rosgraph_msgs/Clock` | Sim time clock (2023 epoch) | | `/ground_truth/pose` | `geometry_msgs/PoseStamped` | Mocap ground truth pose (earth frame) | | `/ground_truth/odometry` | `nav_msgs/Odometry` | Mocap ground truth odometry (earth frame) | | `/ground_truth/gates` | `visualization_msgs/MarkerArray` | Gate positions from mocap | | `/detections/gates` | `as2_msgs/PoseStampedWithIDArray` | Synthetic gate detections (body-relative from GT) | | `/detections/markers/gates` | `visualization_msgs/MarkerArray` | Detection visualization markers | | `/tf_static` | `tf2_msgs/TFMessage` | Gate positions as static TF (earth frame) | | `/imu` | `sensor_msgs/Imu` | Raw IMU data (500Hz) | | `/camera/image_raw` | `sensor_msgs/Image` | Camera images (640x480, ~26Hz, downsampled from ~106Hz) | | `/camera/camera_info` | `sensor_msgs/CameraInfo` | Calibrated equidistant fisheye intrinsics | ## Flights | Directory | Track | Duration | Distance | Avg Speed | VIO msgs | GT msgs | |-----------|-------|----------|----------|-----------|----------|---------| | `flight-01p-ellipse` | Ellipse | ~120s | 479m | 4.0 m/s | ~53k | ~33k | | `flight-02p-ellipse` | Ellipse | ~95s | 446m | 4.2 m/s | ~47k | ~29k | | `flight-03p-ellipse` | Ellipse | ~104s | 380m | 3.7 m/s | ~46k | ~28k | | `flight-07p-lemniscate` | Lemniscate | ~127s | 444m | 3.5 m/s | ~55k | ~35k | | `flight-08p-lemniscate` | Lemniscate | ~100s | 367m | 3.8 m/s | ~47k | ~26k | | `flight-09p-lemniscate` | Lemniscate | ~105s | 447m | 4.4 m/s | ~50k | ~28k | ## Gate Positions (earth/world frame) ```yaml gate_1: [4.0, 1.3, 1.13] gate_2: [4.0, -1.34, 1.16] gate_3: [-4.0, -1.29, 1.16] gate_4: [-3.97, 1.28, 1.17] ``` ## OpenVINS Configuration - **Camera**: ArduCam IMX219 fisheye, 640x480 @ ~106Hz - **Camera model**: Equidistant (Kannala-Brandt) - **Intrinsics**: fx=291.5, fy=390.0, cx=316.4, cy=240.4 - **Distortion**: [0.048, -0.028, 0.038, -0.018] - **IMU**: SBG Ellipse, 500Hz, FLU body frame - **Camera tilt**: ~28deg below horizontal - **Time offset**: -11.7ms - **Online calibration**: Disabled (production values from averaging 5 ellipse flights) Ellipse flights use `tii_ellipse` config, lemniscate flights use `tii_lemniscate` config. ## Detections Gate detections are **synthetic** — computed from ground truth (mocap) drone poses and known gate positions. They represent ideal body-relative observations with zero noise. Each detection provides the relative SE3 transform from the drone body frame to each gate within 15m range. ## Usage ```bash # Play a bag ros2 bag play flight-01p-ellipse/ # Play with sim time ros2 bag play flight-01p-ellipse/ --clock # Check bag contents ros2 bag info flight-01p-ellipse/ ``` ## Timestamp Epochs - Message `header.stamp` values are in **2023 epoch** (original TII-RATM sensor timestamps) - Bag receive timestamps are in **2026 epoch** (when recorded) - `/clock` topic contains 2023 sim-time timestamps - Use `use_sim_time:=true` for ROS2 nodes consuming these bags ## Related - [TII-RATM Dataset](https://github.com/tii-racing/tii-ratm-dataset) — original raw dataset - [OpenVINS](https://github.com/rpng/open_vins) — VIO system used - [SemanticSlam](https://github.com/perezsaura-david/SemanticSlam) — SLAM system for evaluation ## Citation If you use this data, please cite the TII-RATM dataset paper: ```bibtex @ARTICLE{bosello2026oyo, author={Bosello, Michael and Pinzarrone, Flavio and Kiade, Sara and Aguiari, Davide and Keuter, Yvo and AlShehhi, Aaesha and Caminati, Gyordan and Wong, Kei Long and Chou, Ka Seng and Halepota, Junaid and Alneyadi, Fares and Panerati, Jacopo and Pau, Giovanni}, journal={IEEE Robotics and Automation Letters}, title={On Your Own: Pro-Level Autonomous Drone Racing in Uninstrumented Arenas}, year={2026}, volume={11}, number={3}, pages={2674-2681}, doi={10.1109/LRA.2026.3653405} } ```

搜集汇总

数据集介绍

构建方式

在机器人学与无人机竞速领域，高质量的数据集对于推动视觉惯性里程计与同步定位与地图构建算法的研究至关重要。TII-RATM ROS2 Bags数据集基于TII-RATM无人机竞速原始数据构建，通过预录制的ROS2数据包形式提供。其构建过程涉及使用OpenVINS系统处理原始传感器数据，生成视觉惯性里程计输出，并整合运动捕捉系统提供的精确地面真值姿态与合成门检测数据。数据包涵盖了椭圆与双纽线两种赛道场景下的多次飞行记录，每条记录均包含高频惯性测量单元数据、相机图像及完整的坐标变换信息，确保了数据在时空上的一致性。

特点

该数据集的核心特点在于其高度集成与即用性。它不仅提供了原始的传感器流，如500赫兹的惯性测量单元数据和约26赫兹的相机图像，还预先计算并包含了OpenVINS生成的视觉惯性里程计结果，使得研究者无需自行运行复杂的VIO管线即可直接进行SLAM算法评估。数据集内含合成门检测，这些检测基于地面真值和已知门位置生成，代表了无噪声的理想观测，为语义SLAM研究提供了纯净的参考。此外，所有时间戳均统一至2023纪元，并配有模拟时钟主题，方便在ROS2环境中进行基于仿真时间的复现与分析。

使用方法

为利用本数据集进行算法开发与评估，用户可直接通过ROS2命令行工具播放数据包。例如，执行`ros2 bag play flight-01p-ellipse/ --clock`命令即可在仿真时间模式下回放数据，同时需在相关ROS2节点中设置`use_sim_time:=true`参数以确保时间同步。数据包内丰富的主题涵盖了从原始数据、里程计输出、地面真值到可视化标记的完整信息流，支持对定位精度、轨迹误差和检测性能等多维度指标的定量分析。该数据集与原始TII-RATM数据集及OpenVINS等项目紧密关联，为无人机自主竞速领域的算法对比与验证提供了标准化基准。

背景与挑战

背景概述

在机器人学与自主系统领域，视觉惯性里程计（VIO）与同步定位与建图（SLAM）技术是支撑无人机竞速等高速动态应用的核心。TII-RATM ROS2数据集由阿联酋技术创新研究所（TII）的RATM团队于2026年前后构建，旨在为专业级无人机在非仪器化环境中的自主竞速研究提供基准数据。该数据集整合了预录制的ROS2数据包，包含来自OpenVINS的视觉惯性里程计输出、高精度运动捕捉地面真值以及合成门检测信息，直接服务于SLAM算法的评估与验证，推动了无人机自主导航在复杂、高速场景下的算法发展与性能比较。

当前挑战

该数据集致力于解决无人机竞速场景中高速、动态环境下的精准位姿估计与SLAM评估问题，其核心挑战在于如何在高机动飞行中实现鲁棒且低延迟的状态估计，同时处理视觉与惯性传感器的噪声与漂移。在构建过程中，研究人员面临多传感器时间同步、相机-IMU外参标定、以及地面真值系统与无人机动态运动之间的精确对齐等工程难题。此外，数据集需在保持数据丰富性的同时确保即用性，以降低SLAM研究者的预处理负担，这要求对原始数据进行细致的校准、同步与封装。

常用场景

经典使用场景

在无人机竞速与自主导航领域，TII-RATM ROS2 Bags数据集为视觉惯性里程计（VIO）与同步定位与地图构建（SLAM）算法的评估提供了标准化基准。该数据集通过预录制的ROS2数据包，集成了OpenVINS VIO里程计、高精度运动捕捉地面真值以及合成门框检测信息，使得研究人员无需额外运行VIO系统即可直接进行轨迹精度、鲁棒性与实时性能的量化分析。其经典使用场景聚焦于在动态高速飞行环境下，对比不同SLAM/VIO算法在椭圆与双纽线轨迹上的位姿估计误差，为算法优化提供可靠的数据支撑。

衍生相关工作

围绕该数据集，已衍生出多项经典研究工作。例如，基于原始TII-RATM数据集与OpenVINS框架，研究者开发了如SemanticSlam等系统，专注于融合视觉惯性里程计与语义门框检测以实现更鲁棒的SLAM性能。此外，该数据集常被用于评估新兴的神经SLAM、事件相机融合以及多传感器标定方法，促进了无人机状态估计领域的技术迭代。相关成果多见于IEEE Robotics and Automation Letters等顶级期刊，形成了以数据驱动为核心的算法比较与性能基准生态。

数据集最近研究

最新研究方向

在无人机竞速与自主导航领域，TII-RATM ROS2数据集凭借其预录的ROS2数据包与OpenVINS视觉惯性里程计输出，正成为SLAM算法评估的关键基准。当前研究聚焦于如何利用其合成门检测与高精度地面真值数据，推动语义SLAM与动态环境下的鲁棒状态估计技术发展。该数据集支持对视觉惯性系统在高速、复杂轨迹下的性能进行严格验证，相关成果直接促进了无人系统在非结构化场景中的自主决策能力提升，为下一代竞速无人机与自主机器人的感知系统优化提供了重要实验基础。