COSMO-Bench

COSMO-Bench是一个用于分布式C-SLAM后端评估的基准数据集系列，包含24个数据集，来源于先进的C-SLAM前端和真实世界的LiDAR数据。这些数据集旨在反映多机器人团队在实际部署中观察到的数据，包括非参数/非平稳噪声的测量、包含异常值的测量等，以测试分布式C-SLAM方法在现实世界条件下的操作能力。COSMO-Bench数据集提供了丰富的闭环，支持长时间的轨迹和准确的参考解决方案，以及真实的噪声模型和测量分类，为研究人员测试和评估新型C-SLAM后端提供了便利。COSMO-Bench is a benchmark dataset series for evaluating distributed C-SLAM backends. It includes 24 datasets sourced from state-of-the-art C-SLAM frontends and real-world LiDAR data. These datasets are designed to reflect the data encountered by multi-robot teams during actual deployments, including non-parametric/non-stationary noise measurements and measurements with outliers, to test the operational capabilities of distributed C-SLAM methods under real-world conditions. The COSMO-Bench dataset series offers rich loop closures, supports long-duration trajectories and accurate reference solutions, as well as realistic noise models and measurement classifications, facilitating researchers to test and evaluate novel C-SLAM backends.

搜集汇总

数据集介绍

构建方式

在协作SLAM研究领域，数据集的构建需兼顾真实性与系统性。COSMO-Bench通过整合多校区数据集与CU-Multi数据集中的单机器人试验，采用时间同步技术模拟多机器人协同操作场景。利用先进激光雷达前端处理流程，包括LOAM里程计、ScanContext回环检测及KISS-Matcher匹配算法，结合基于真实通信数据建模的Wi-Fi与专业无线电两种通信模式，最终生成包含24组序列的标准化基准数据集。

特点

该数据集显著特征体现在其多维度的技术指标上：轨迹总长度覆盖2.15至9.23公里，持续时间跨度从5分47秒到46分12秒，完整呈现长距离SLAM的累积误差特性。数据集特别标注了 intra-robot 与 inter-robot 两类回环闭合数据，其中回环检测率在3.8%至20.5%区间浮动，并包含2.4%至18.4%的异常测量值。通过JRL格式封装的时间戳信息与参考解算轨迹，为算法实时性评估提供精确时序支撑。

使用方法

研究者可通过数据集提供的标准化JRL格式接口直接加载位姿图优化问题。每组数据包含经过去畸变处理的激光雷达关键帧、基于经验噪声模型标注的里程计与回环约束，以及通过χ²检验判定的异常值分类标签。用户可分别测试Wi-Fi与专业无线电通信模型下的协同SLAM性能，利用附带的参考解算轨迹进行定量精度评估，同时借助完整的时间元数据开展分布式算法实时性分析。

背景与挑战

背景概述

协同即时定位与地图构建（C-SLAM）作为多机器人系统的核心技术，近年来在分布式优化算法领域受到广泛关注。然而，该领域长期缺乏标准化基准数据集，严重制约了算法性能的客观评估与比较。为填补这一空白，卡内基梅隆大学机器人研究所的Daniel McGann等研究人员于2025年正式发布COSMO-Bench基准数据集。该数据集基于真实激光雷达数据与先进C-SLAM前端算法构建，包含24个多机器人协同优化场景，涵盖校园环境、昼夜变化等多种工况，总里程达数十公里。其创新性在于通过时间同步技术将单机器人试验数据重构为多机器人协同场景，为分布式SLAM后端算法研究提供了前所未有的真实测试平台。

当前挑战

在C-SLAM领域，多机器人系统面临的核心挑战在于如何有效处理跨机器人闭环检测的时空一致性难题。具体表现为：不同机器人视角差异导致的特征匹配歧义、动态环境中感知数据的不确定性、以及通信延迟对协同建图实时性的影响。在数据集构建过程中，研究者需攻克三大技术瓶颈：其一是多源异构数据的时空对齐，需通过精密的时间同步算法将离散采集的单机器人轨迹融合为连贯的多机器人序列；其二是真实通信建模的复杂性，需基于实际无线传输数据构建带宽受限与距离相关的概率连通模型；其三是测量噪声与异常值的标定难题，需通过李群理论构建协方差模型并采用χ²检验实现自动化异常分类。

常用场景

经典使用场景

在分布式协同SLAM研究领域，COSMO-Bench通过整合多机器人激光雷达数据与真实通信模型，为算法验证提供了标准化测试平台。该数据集模拟了实际部署中机器人间的动态交互，其长距离轨迹与丰富的闭环检测数据使其成为评估分布式后端优化算法鲁棒性的理想工具。研究人员可基于不同通信模式（Wi-Fi与专业无线电）生成的24组数据，系统分析算法在复杂环境下的协同建图与定位性能。

解决学术问题

该数据集有效解决了多机器人SLAM研究中缺乏真实基准数据的核心难题。通过提供源自实际传感器数据的前端测量与通信模拟，它支持对分布式优化算法在非高斯噪声、异常值干扰等复杂条件下的性能评估。其精确参考解与时间信息为量化算法精度与实时性提供了依据，显著提升了多机器人系统状态估计研究的可复现性与可比性。

衍生相关工作

该数据集的发布推动了分布式SLAM算法的创新研究，例如基于共识优化的GeoD方法、异步并行图优化框架等经典工作均依赖此类基准进行验证。其提供的多通信模型数据进一步催生了针对带宽受限场景的轻量化算法研究，如iMESA增量式分布式优化框架。这些衍生成果共同构建了多机器人协同感知领域的算法演进脉络。