CMU-GPR

CMU-GPR数据集是由卡内基梅隆大学机器人学院创建的，旨在研究地下辅助感知在机器人导航中的应用。该数据集包含15个轨迹序列，采集自三个无GPS的室内环境，包括地下测量数据、轮式编码器、RGB相机和惯性测量单元数据。数据集的创建过程涉及使用定制的SuperVision平台进行数据收集，该平台配备了多种传感器以确保数据的准确性和丰富性。CMU-GPR数据集主要用于机器人定位，特别是在无GPS环境下，通过地下信息进行定位，解决环境变化对视觉传感器的影响问题，适用于矿山、隧道等复杂环境下的机器人导航。The CMU-GPR dataset was developed by the Robotics Institute of Carnegie Mellon University, with the goal of researching the application of underground auxiliary perception in robotic navigation. This dataset includes 15 trajectory sequences collected across three GPS-denied indoor environments, covering underground survey data, wheel encoder readings, RGB camera data, and inertial measurement unit (IMU) data. The data collection was carried out using a custom SuperVision platform, which integrates multiple sensors to guarantee the accuracy and richness of the collected data. The CMU-GPR dataset is mainly intended for robotic localization tasks, particularly in GPS-denied environments, where underground information is leveraged to perform localization and mitigate the impact of environmental variations on visual sensors. It is suitable for robotic navigation in complex scenarios such as mines and tunnels.

搜集汇总

数据集介绍

构建方式

在机器人导航领域，地面穿透雷达（GPR）因其对地下稳定结构的感知能力而备受关注。CMU-GPR数据集的构建依托于名为SuperVision的定制化实验平台，该平台集成了单通道GPR传感器、轮式编码器、RGB相机以及惯性测量单元，并在手动牵引下于三个无GPS信号的室内环境（包括地下室、工厂地面和停车场）中采集了15条轨迹序列。为确保数据精度，研究团队利用全站仪提供了地面真实位置信息，并通过无线传输实现多传感器数据的同步记录，最终以压缩文件形式存储各测量类型的CSV数据，最大文件容量控制在4GB以内。

特点

该数据集的核心特点在于其专注于地下特征的感知，为机器人导航提供了不受地表环境变化干扰的稳定参考。数据涵盖多种室内场景的重复遍历轨迹，包含前向-反向运动与闭环路径，适用于基于地下信息的重定位研究。此外，数据集不仅提供精确的时空同步多模态数据，还附带了传感器噪声参数与外参标定信息，并额外包含无地面真值的室外环境轨迹，为模型训练提供了扩展资源。其开源特性与配套的实用工具代码进一步降低了GPR数据处理的门槛。

使用方法

为促进地面穿透雷达在机器人导航中的应用，CMU-GPR数据集提供了完整的Python实用代码以简化数据处理流程。研究人员可通过信号处理工具将原始非均匀采样的GPR数据转换为亮度扫描图像，流程包括橡胶带插值、背景去噪、带通滤波与小波降噪等步骤。数据集支持通过MetricGprImage对象按时间戳访问图像，或利用ImageConstructor自动生成全序列雷达图及子地图，便于直接用于基于因子图的定位框架或SLAM算法开发。这种结构化设计使得用户能够快速开展地下特征学习与导航模型验证工作。

背景与挑战

背景概述

随着机器人导航技术对恶劣环境适应性的需求日益增长，雷达感知系统因其在多变气候条件下的鲁棒性而受到广泛关注。在此背景下，卡内基梅隆大学机器人研究所与NASA艾姆斯研究中心的智能机器人团队于2021年联合发布了CMU-GPR数据集，旨在推动地下穿透雷达在机器人定位与建图领域的研究。该数据集聚焦于解决GPS拒止环境下机器人自主导航的核心问题，通过集成GPR、轮式编码器、RGB相机及惯性测量单元等多传感器数据，并辅以全站仪提供的精确地面真值位置，为研究者探索地下稳定特征在长期时空建图中的应用提供了首个开源数据平台。这一贡献不仅填补了GPR在机器人感知领域的数据空白，也为地下辅助感知系统的算法开发奠定了坚实基础。

当前挑战

CMU-GPR数据集致力于应对机器人地下辅助感知中的关键挑战，其核心在于利用地下穿透雷达捕捉不受地表环境变化影响的稳定特征，以提升在视觉退化或特征稀疏场景（如隧道、矿区）中的定位鲁棒性。然而，该领域仍面临多重难题：在算法层面，如何从GPR的一维原始信号中提取具有判别性的特征，并构建适用于同步定位与建图的高效表征形式，是当前研究的瓶颈；现有方法多依赖于启发式的二维图像处理，缺乏对噪声和地下结构异质性的自适应能力。在数据构建过程中，挑战同样显著，包括多传感器时间同步的精确性保障、GPS拒止环境下地面真值的高成本采集，以及手动牵引平台导致的数据采集轨迹受限等问题，这些因素共同制约了数据集的规模扩展与泛化性能的提升。

常用场景

经典使用场景

在机器人导航领域，CMU-GPR数据集为探索地下辅助感知提供了关键实验平台。该数据集最经典的使用场景在于支持基于地面穿透雷达的定位与建图研究，尤其是在GPS拒止的室内环境中，如地下室、工厂车间和停车场。研究者可利用其多传感器同步数据，包括GPR原始测量、轮式编码器、RGB相机和惯性测量单元，结合全站仪提供的真值位置，构建并验证地下特征提取与匹配算法，实现机器人在动态或恶劣地表条件下的稳健导航。

解决学术问题

CMU-GPR数据集主要解决了机器人感知中因环境变化导致的定位鲁棒性不足这一学术难题。传统视觉或空间传感器易受光照、天气和场景外观变化的影响，而地下特征通常保持稳定，使得GPR能够提供长期时空一致性。该数据集通过提供真实世界的多环境轨迹数据，支持研究如何利用地下结构进行重定位、闭环检测和漂移校正，推动了基于因子图等概率模型的GPR传感器融合方法的发展，为长期自主导航系统提供了新的感知维度。

衍生相关工作

该数据集已衍生出多项经典研究工作，其中最具代表性的是Baikovitz等人提出的“地面编码”方法，该方法利用学习到的传感器模型将GPR子图集成到因子图估计框架中，有效实现了GPS拒止环境下的机器人定位。此外，数据集激励了进一步探索GPR在同步定位与建图问题中的应用，如基于二维图像表示的特征提取与匹配算法，以及自动检测GPR图像中双曲线特征的研究。这些工作共同推动了地下感知与机器人导航交叉领域的算法创新与系统实现。