SocNav3
收藏资源简介:
SocNav3数据集由来自西班牙的Universidad de Extremadura和英国的Aston University等多个研究机构合作创建。该数据集包含4427条轨迹,其中包括182条真实轨迹和4245条模拟轨迹,用于社会机器人导航的基准测试和策略优化。数据集详细记录了轨迹的环境、人类、机器人任务、机器人上下文、人类、物体和环境信息,以及人类评分者的评分。该数据集旨在通过数据驱动的方法,学习一种全面的轨迹度量标准,用于评估机器人的整体有效性和社交性,以解决现有度量的局限性。数据集的创建过程包括收集轨迹、人类评分和数据分析,可用于训练ALT度量标准,促进机器人导航策略的开发。
SocNav3 Dataset was collaboratively created by multiple research institutions including the Universidad de Extremadura in Spain and Aston University in the United Kingdom. This dataset contains 4427 trajectories, of which 182 are real-world trajectories and 4245 are simulated trajectories, and is used for benchmark testing and strategy optimization of social robot navigation. The dataset thoroughly documents the environment, humans, robot tasks, robot context, objects and environmental information related to the trajectories, as well as the scores provided by human raters. The dataset aims to learn a comprehensive trajectory metric for evaluating the overall effectiveness and sociality of robots through data-driven methods, so as to address the limitations of existing metrics. The dataset creation process includes trajectory collection, human scoring and data analysis, and can be used to train the ALT metric to promote the development of robot navigation strategies.
SocNav3 数据集概述
数据集简介
SocNav3 是一个用于社交机器人导航基准测试的数据集,旨在支持数据驱动的社交机器人导航指标开发。该数据集包含轨迹数据、评分者信息和评分数据,用于训练和评估全包学习轨迹指标(ALT 指标)。
数据组成
数据类型
- 轨迹数据:包含机器人、任务、人类、对象和环境信息。
- 评分者数据:包含评分者的人口统计信息和评分列表。
- 评分数据:包含评分者对特定轨迹在给定上下文中的评分。
数据格式
轨迹数据以 JSON 格式存储,包含以下变量:
| 类型 | 变量 | 描述 |
|---|---|---|
| 机器人 | 姿态 | 二维位置(米)和方向(弧度)。 |
| 速度 | 线速度(米/秒)和角速度(弧度/秒)。 | |
| 驱动方式 | 分类(差速 / 全向 / 阿克曼)。 | |
| 形状 | 二维圆形(半径)、矩形(宽度、高度)或多边形(点列表)。 | |
| 任务 | 类型 | 任务类型,包括“前往”、“引导至”或“跟随”。 |
| 位置 + 阈值 | 用于前往和引导至任务的二维位置 + 阈值(米)。 | |
| 方向 + 阈值 | 用于前往和引导至任务的方向 + 阈值(弧度)。 | |
| 人类标识符 | 用于引导至和跟随任务。 | |
| 上下文 | 上下文的文本描述(英文)。 | |
| 人类 | 标识符 | 在给定场景中唯一标识人类的整数。 |
| 姿态 | 二维位置(米)和方向(弧度)。 | |
| 完整姿态(可选) | COCO-18 关键点集的 3D 位置。 | |
| 对象 | 标识符 | 在给定场景中唯一标识对象的整数。 |
| 类型 | 描述对象类型的自由文本。 | |
| 姿态 | 二维位置(米)和方向(弧度)。 | |
| 形状 | 对象的二维形状。 | |
| 环境 | 墙壁 | 折线序列(二维,米)。 |
| 网格 | 占用地图:二维网格 + 分辨率(米/单元格)。 | |
| 区域语义 | 描述区域的自由文本,例如“室内”、“室外”、“厨房”、“科学博物馆”。 |
数据组织
- 轨迹目录:包含 JSON 格式的轨迹文件,按数据源分组。
- 评分目录:包含每个评分者的 JSON 文件,包括评分列表和控制问题。
数据获取
- 原始数据:https://www.dropbox.com/scl/fo/5mdx98kxux31tpz17t737/ABZuqYOXVMrcGJmUGeBQBo0?rlkey=70f89t67bg4zoa6g6lw5dcflg&st=2o6n9lbn&dl=0
- 标记数据:https://www.dropbox.com/scl/fo/go4ud504exi7yr7sq1mwy/AKSA84sasbsPIvOjP78zdoY?rlkey=o4k1onc9fxdmr0ysbb68a2b1k&st=4jts131i&dl=0
- 数据分割:https://www.dropbox.com/scl/fo/6r83hv5pvrxhqs43692eb/AKak5wV8neRBl_O5--Tzayc?rlkey=2oujnu64d2jkigz6647y0vz8k&st=xhcqwg5g&dl=0
工具支持
数据分析
- 检查评分者一致性并生成一致性地图。
- 选择有效评分者子集。
数据转换
- 镜像变换、数据归一化、随机噪声添加和随机方向变换。
数据可视化
- 2D 轨迹查看工具。
- 基于 Webots 的 3D 可视化工具。
基准模型
- 使用 RNN 基于 ALT 指标模型进行训练和评估。
- 支持模型训练、评估和定性测试。
贡献方式
- 贡献新轨迹:按指定格式记录数据,验证并可视化后联系贡献。
- 贡献新评分:使用调查工具进行匿名评分。
数据贡献者
- Pilar Bachiller(使用 SocNavGym 获取模拟数据)—— 埃斯特雷马杜拉大学
- Luis J. Manso(使用阿斯顿大学的 RB-1 机器人获取真实数据)—— 阿斯顿大学
- Phani T. Singamaneni(在 Gazebo 上的模拟数据)—— 法国国家科学研究中心系统分析与架构实验室
- Noé Pérez(在 Gazebo 上的模拟数据)—— 巴勃罗·德·奥拉维德大学
- Noriaki Hirose 和 Dhruv Shah(适应 SACSoN 数据集的数据)—— 丰田、加州大学伯克利分校、Google DeepMind




