Visual-Inertial-Dynamical (VID) 数据集

VID数据集由浙江大学和阿里巴巴达摩院联合创建，专注于无人机在复杂环境中的动态特性分析。该数据集不仅包含传统的六自由度姿态估计数据，还提供了飞行平台的动态特性，如旋翼速度和电机电流测量，以及控制输入和地面实况六轴力数据，用于评估外部力估计。VID数据集的创建旨在支持无人机在空中运输、搜索救援等应用中的鲁棒规划和控制，特别是在GPS信号受限的环境中。

The VID dataset, co-developed by Zhejiang University and Alibaba DAMO Academy, focuses on analyzing the dynamic characteristics of unmanned aerial vehicles (UAVs) in complex environments. In addition to traditional six-degree-of-freedom (6DoF) attitude estimation data, this dataset also provides dynamic characteristics of the flight platform, including rotor speed and motor current measurements, as well as control inputs and ground-truth six-axis force data for external force estimation evaluation. The VID dataset is designed to support robust planning and control of UAVs in applications such as aerial transportation and search and rescue, particularly in environments with restricted GPS signals.

搜集汇总

数据集介绍

构建方式

在无人机状态估计领域，传统数据集多聚焦于六自由度位姿估计，而对外部力感知的支持较为有限。Visual-Inertial-Dynamical (VID) 数据集通过精心设计的飞行平台构建，该平台搭载了深度相机、惯性测量单元、定制电路板以及高精度推进系统。数据采集过程中，利用硬件同步脉冲技术，将图像、惯性测量、转子转速、电机电流及控制输入等多源传感器数据在时间上精确对齐。室内环境采用运动捕捉系统提供100Hz的六自由度位姿真值，室外则借助实时动态定位技术获取5Hz的位姿信息。此外，通过地面固定的六轴力传感器与弹性绳索结合，录制了飞行过程中作用于无人机的真实外力数据，从而形成了涵盖视觉、惯性及完整动力学特性的综合数据集。

使用方法

研究人员可利用该数据集评估和开发先进的位姿估计与外部力感知算法。对于传统的视觉-惯性里程计，如VINS-Mono、ORB-SLAM3等，可直接使用其提供的同步图像与IMU数据进行位姿估计性能测试。而对于动力学辅助的估计器，如VID-Fusion或VIMO，则可进一步整合转子转速、电机电流及控制输入，借助数据集中提供的动力学模型参数，实现对外部力的实时估计。数据集包含室内外多种飞行序列，如无负载、带负载及受弹性绳索牵引等场景，用户可据此验证算法在不同外力条件下的鲁棒性。所有数据均以时间戳对齐的格式提供，并附有详细的传感器标定参数与坐标系定义，便于快速集成与算法对比。

背景与挑战

背景概述

视觉-惯性-动力学（VID）数据集由浙江大学FAST实验室与阿里巴巴达摩院于2022年联合发布，旨在填补无人机状态估计领域在外部力感知方面的空白。随着无人机在自主导航、空中运输与救援等复杂任务中的广泛应用，传统视觉-惯性数据集虽能提供六自由度位姿估计，却难以满足对接触力或环境扰动的实时感知需求。该数据集通过集成高精度视觉、惯性测量单元及完整的动力学信息，包括转子转速、电机电流与六轴力传感器数据，首次为动力学辅助的状态估计与外力评估提供了真实世界的基准平台，推动了无人机在动态交互环境中的智能化发展。

当前挑战

在无人机状态估计领域，传统数据集主要聚焦于视觉与惯性数据的融合，而对外部力或扰动的感知能力存在显著局限，这限制了无人机在负载运输、强风环境或空中操控等场景下的鲁棒性。VID数据集的构建面临多重挑战：其一，在数据采集过程中，需实现多源异构传感器（如相机、IMU、力传感器、电机控制器）的高精度硬件时间同步，以确保动力学模型与感知数据的一致性；其二，动力学参数的精确标定与建模极为复杂，包括转子推力系数、扭矩系数及电机电流特性的个体化识别，以克服单一模型近似带来的误差；其三，提供飞行过程中外部力与扭矩的真实值面临技术瓶颈，例如空中扭矩的地面真值难以直接测量，限制了数据集的完整性评估。

常用场景

经典使用场景

在无人机自主导航领域，视觉-惯性-动力学（VID）数据集为研究者提供了一个全面评估状态估计与外力感知算法的基准平台。该数据集通过硬件同步的视觉、惯性及动力学数据，支持对多旋翼飞行器在复杂环境下的姿态估计与外部力感知进行系统性验证。其经典应用场景包括在GPS拒止环境中，对无人机进行高精度位姿估计的同时，实时感知外部接触力或风扰等动态干扰，为无人机在物流运输、空中操作等任务中的鲁棒控制提供数据支撑。

解决学术问题

VID数据集解决了无人机研究中长期存在的动力学信息缺失问题，弥补了传统视觉-惯性数据集在外部力感知方面的不足。通过提供精确的转子转速、电机电流及六轴力传感器地面真值，该数据集使得研究者能够开发并验证动力学辅助的状态估计算法，如VID-Fusion和VIMO，这些算法不仅能提升位姿估计的准确性，还能实时估计作用于飞行器的外力。这为无人机在负载变化、风扰环境或人机交互场景中的自适应控制奠定了理论基础，推动了SLAM社区向更全面的状态感知方向发展。

实际应用

在实际应用中，VID数据集为无人机在物流配送、搜救任务及空中操纵等场景提供了关键的数据支持。例如，在无人机运输重物时，数据集中的动力学信息可用于在线识别多刚体模型，实现负载自适应控制；在恶劣风扰环境中，外部力估计能力有助于规划更安全的飞行轨迹。此外，该数据集还促进了工业级无人机系统的开发，通过硬件同步方案提升了传感器融合的精度，为无人机在复杂动态环境中的可靠部署提供了实践依据。

数据集最近研究

最新研究方向

在无人机自主导航领域，视觉-惯性-动力学融合已成为前沿研究热点。VID数据集作为首个公开提供完整动力学信息的真实世界数据集，推动了外部力感知与动力学辅助状态估计算法的发展。当前研究聚焦于利用转子速度、电机电流及六轴力传感器数据，结合视觉与惯性测量，实现高精度的姿态与外力联合估计。该数据集为空中运输、搜救等复杂场景下的鲁棒规划与控制提供了关键支撑，促进了模型基视觉-惯性动力学里程计如VID-Fusion等算法的验证与优化，标志着多模态感知从纯几何向物理交互的深刻演进。

相关研究论文

• The Visual-Inertial-Dynamical Multirotor Dataset

  浙江大学工业控制技术国家重点实验室，浙江大学湖州研究院，阿里巴巴达摩院自动驾驶实验室 · 2022年