有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
Global Navigation Dataset (GND)|机器人导航数据集|多模态数据数据集
收藏arXiv2024-09-22 更新2024-09-26 收录
下载链接：
https://cs.gmu.edu/~xiao/Research/GND/
下载链接
链接失效反馈资源简介：
全球导航数据集（GND）是由马里兰大学和乔治梅森大学联合创建的大型户外校园导航数据集。该数据集整合了多模态感知数据，包括3D LiDAR点云、RGB和360°图像，以及多类别可穿越性地图，涵盖了十个大学校园的多种环境。数据集总面积约2.7平方公里，包含至少350栋建筑，记录了11小时的导航数据。创建过程中，数据通过两台Clearpath Jackal机器人采集，并经过标准化处理生成全球校园地图。GND旨在解决全球机器人导航中的复杂推理问题，支持基于地图和无地图的导航以及全球地点识别等应用。
提供机构：
马里兰大学，乔治梅森大学
创建时间：
2024-09-22
AI搜集汇总
数据集介绍
构建方式
Global Navigation Dataset (GND) 的构建方式体现了对大规模户外环境导航需求的深刻理解。该数据集通过整合多模态感知数据，包括3D LiDAR点云、RGB和360°图像，以及多类别可穿越性地图，覆盖了十个大学校园的环境。这些环境包括公园、城市设置、地形变化和不同规模的校园布局。数据集的总覆盖面积约为2.7平方公里，包含至少350座建筑物。通过使用Clearpath Jackal机器人，结合3D LiDAR、RGB和360°相机、IMU和GPS等传感器，收集了长达11小时的导航数据。所有感知数据经过后处理，生成包含五种可穿越性类别（行人步道、车辆道路、楼梯、越野地形和障碍物）的全球校园地图，并与多模态感知数据关联。
使用方法
GND 数据集的使用方法多样，适用于多种机器人导航任务。研究者可以利用数据集中的多模态感知数据和可穿越性地图，进行地图基础的全球导航研究，通过路径规划算法如A*或RRT*生成导航路径。对于无地图导航，数据集提供了丰富的环境感知数据，支持基于学习的导航算法，如MTG和T-MTG，这些算法能够生成适应不同可穿越性级别的导航轨迹。此外，GND 还支持全球地点识别任务，通过360°图像数据和视觉导航算法，如NoMaD，实现目标导向的导航。数据集的标准化处理流程和详细的文档，使得研究者能够轻松地进行数据处理和实验，推动机器人导航技术的发展。
背景与挑战
背景概述
全球导航数据集（Global Navigation Dataset, GND）由马里兰大学和乔治梅森大学的研究人员于2024年创建，旨在解决户外校园环境中复杂的多模态感知和多类别可通行性问题。该数据集整合了3D LiDAR点云、RGB和360°图像等多模态传感器数据，并提供了包括人行道、车行道、楼梯、越野地形和障碍物在内的多类别可通行性地图。GND覆盖了约2.7平方公里的面积，包含至少350座建筑物，涵盖了多种公园、城市设置、海拔变化和不同规模的校园布局。该数据集不仅为全球机器人导航提供了丰富的数据支持，还展示了其在基于地图的导航、无地图导航和全球地点识别等应用中的潜力。
当前挑战
GND在构建过程中面临多项挑战。首先，全球导航需要在复杂户外场景中对多种环境因素进行推理，包括地形特征的识别和可通行性分析。其次，导航决策需超越简单的障碍物和自由空间，考虑不同机器人形态的可通行性。此外，数据集的构建需要处理大规模环境中的多模态传感器数据，确保数据的准确性和一致性。尽管现有数据集在感知和导航任务中表现出色，但它们在提供全球导航和可通行性信息方面仍显不足。GND通过提供丰富的多模态机器人感知数据和人类标注的多类别可通行性地图，填补了这一空白。
常用场景
经典使用场景
全球导航数据集（GND）在户外校园环境中广泛应用于多模态感知和多类别可通行性分析。该数据集通过整合3D LiDAR点云、RGB和360°图像以及多类别可通行性地图，为机器人提供复杂环境中的导航能力。经典使用场景包括基于地图的全局导航、无地图导航以及全局地点识别，这些应用展示了GND在不同类型机器人（如轮式和腿式机器人）中的实用性。
解决学术问题
GND数据集解决了全球导航中的多个学术研究问题，特别是在复杂户外环境中进行大规模导航推理的需求。它通过提供多模态感知数据和多类别可通行性地图，弥补了现有数据集在全局导航和可通行性分析方面的不足。GND的意义在于推动机器人导航技术的发展，使其能够像人类一样在未知环境中进行常识性推理和导航。
实际应用
在实际应用中，GND数据集被广泛用于自动驾驶、远程探索和最后一英里配送等任务。通过提供详细的可通行性地图和多模态感知数据，GND帮助机器人更好地理解和适应复杂环境，从而提高导航的准确性和效率。例如，在大学校园内的自动驾驶车辆可以通过GND数据集进行路径规划和实时导航，确保安全高效地完成任务。
数据集最近研究
最新研究方向
在户外校园环境中的全球导航领域，Global Navigation Dataset (GND) 数据集的最新研究方向主要集中在多模态感知与多类别可穿越性分析的整合。该数据集通过集成3D LiDAR点云、RGB和360°图像等多模态传感器数据，以及涵盖行人步道、车辆道路、楼梯、越野地形和障碍物等多类别可穿越性地图，为机器人提供了在复杂户外环境中进行导航所需的全面信息。研究者们正利用GND数据集开发新的应用，如基于地图的全球导航、无地图导航和全球地点识别，以提升机器人在大规模户外环境中的自主导航能力。此外，GND数据集的标准化数据处理流程和开放共享策略，也鼓励了更广泛的研究社区参与，推动了全球机器人导航技术的进步。
相关研究论文
- 1GND: Global Navigation Dataset with Multi-Modal Perception and Multi-Category Traversability in Outdoor Campus Environments马里兰大学，乔治梅森大学 · 2024年
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
Dunhuang Grottoes Painting Dataset
该数据集专为敦煌石窟壁画修复而设计，提供了大量的训练和测试样本，足以支持深度学习方法的应用。
arXiv 收录
MedDialog
MedDialog数据集（中文）包含了医生和患者之间的对话（中文）。它有110万个对话和400万个话语。数据还在不断增长，会有更多的对话加入。原始对话来自好大夫网。
github 收录
UniProt
UniProt（Universal Protein Resource）是全球公认的蛋白质序列与功能信息权威数据库，由欧洲生物信息学研究所（EBI）、瑞士生物信息学研究所（SIB）和美国蛋白质信息资源中心（PIR）联合运营。该数据库以其广度和深度兼备的蛋白质信息资源闻名，整合了实验验证的高质量数据与大规模预测的自动注释内容，涵盖从分子序列、结构到功能的全面信息。UniProt核心包括注释详尽的UniProtKB知识库（分为人工校验的Swiss-Prot和自动生成的TrEMBL），以及支持高效序列聚类分析的UniRef和全局蛋白质序列归档的UniParc。其卓越的数据质量和多样化的检索工具，为基础研究和药物研发提供了无可替代的支持，成为生物学研究中不可或缺的资源。
www.uniprot.org 收录
Google Scholar
Google Scholar是一个学术搜索引擎，旨在检索学术文献、论文、书籍、摘要和文章等。它涵盖了广泛的学科领域，包括自然科学、社会科学、艺术和人文学科。用户可以通过关键词搜索、作者姓名、出版物名称等方式查找相关学术资源。
scholar.google.com 收录
中国区域地面气象要素驱动数据集 v2.0（1951-2020）
中国区域地面气象要素驱动数据集（China Meteorological Forcing Data，以下简称 CMFD）是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素，时间分辨率为 3 小时，水平空间分辨率为 0.1°，时间长度为 70 年（1951~2020 年），覆盖了 70°E~140°E，15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据，并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品，其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展，其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本，而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集，但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外，在制作 CMFD 2.0 的过程中，研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息，显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时，CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 70 年，并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同，但其有效数据扩展到了中国之外，能够更好地支持跨境区域研究。为方便用户使用，CMFD 2.0 还在基础变量集之外提供了若干衍生变量，包括近地面相对湿度、雨雪分离降水产品等。此外，CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术，转而直接将实型数据压缩存储于 NetCDF4 格式文件中，从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7，但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变，故将其版本号重新定义为 2.0。CMFD 2.0 的数据内容与此前宣传的 CMFD 1.7 基本一致，仅对 1983 年 7 月以后的向下短/长波辐射通量数据进行了更新，以修正其长期趋势存在的问题。2021 年至 2024 年的 CMFD 数据正在制作中，计划于 2025 年上半年发布，从而使 CMFD 2.0 延伸至 2024 年底。
国家青藏高原科学数据中心 收录