BenchRNR

BenchRNR是一个用于基础设施车辆定位的点云数据集，包含重复和非重复扫描LiDAR数据，旨在对不同LiDAR扫描模式的性能进行基准测试。数据集提供了5,428帧LiDAR点云数据，传感器配置包括一个重复扫描LiDAR (OT-128, 10Hz)、两个非重复扫描LiDAR (Livox Avia, 10Hz)和两个摄像头 (USB camera, 10Hz)。

BenchRNR is a point cloud dataset for infrastructure-based vehicle positioning. It contains both repetitive and non-repetitive scanning LiDAR data, and aims to benchmark the performance of different LiDAR scanning modes. The dataset provides 5,428 frames of LiDAR point cloud data, with sensor configurations including one repetitive scanning LiDAR (OT-128, 10Hz), two non-repetitive scanning LiDARs (Livox Avia, 10Hz), and two cameras (USB camera, 10Hz).

原始信息汇总

BenchRNR数据集概述

1. 数据集简介

• 目的：用于基准测试重复和非重复扫描LiDAR在基础设施车辆定位中的性能。
• 内容：包含点云数据，支持四种典型车辆姿态估计方法：
  • 点云分割 + 定向边界框 (Seg+obb)
  • 点云分割 + 基于凸包的车辆姿态估计方法 (Seg+obb)
  • 点云分割 + 车辆点云模板配准 (Register-Loc)
  • 点云物体检测器 PV-RCNN (PV-RCNN)

2. 数据下载

• 格式：ROS包（rosbags）
• 规模：共8个ROS包，包含5,428帧LiDAR点云数据
• 传感器配置：
  • 1个重复扫描LiDAR（OT-128，10Hz）
  • 2个非重复扫描LiDAR（Livox Avia，10Hz）
  • 2个摄像头（USB摄像头，10Hz）
• 下载地址：BenchRNR Datasets

3. 相关资源

• 视频介绍：YouTube视频

4. 致谢

• 基于CH-MOA-ROS实现凸包车辆姿态估计方法
• PV-RCNN使用OpenPCDet训练，数据来自DAIR-V2X-I

搜集汇总

数据集介绍

构建方式

在智能交通系统快速发展的背景下，BenchRNR数据集通过精心设计的实验方案构建而成。研究团队采用多传感器融合方案，同步采集了5,428帧激光雷达点云数据，包含一台重复扫描式激光雷达(OT-128)和两台非重复扫描式激光雷达(Livox Avia)的同步观测数据，辅以双摄像头进行视觉补充。数据以ROS标准格式封装，确保了多模态数据的时间同步性和空间一致性，为基础设施辅助车辆定位研究提供了高质量的基准数据源。

使用方法

研究者可通过提供的ROS数据包快速开展实验，数据集支持多种典型算法的性能评估流程。使用前需配置ROS环境并安装相关依赖，通过解析数据包可获取时间对齐的点云和图像序列。配套代码库实现了完整的处理流水线，从点云分割、特征提取到位姿估计，用户可根据需要选择不同算法进行测试。特别建议结合提供的YouTube演示视频理解数据采集场景，这有助于更好地设计对比实验方案。数据集下载链接包含完整的标定参数和详细说明文档。

背景与挑战

背景概述

BenchRNR数据集由上海交通大学研究团队于2025年5月发布，致力于为基于基础设施的车辆定位领域提供基准测试平台。该数据集创新性地整合了重复扫描模式（OT-128）与非重复扫描模式（Livox Avia）两种激光雷达的同步点云数据，包含5,428帧多传感器同步采集的实测数据。作为首个系统比较不同扫描模式激光雷达定位性能的开放数据集，其通过融合视觉传感器与点云处理算法，为解决智能交通系统中高精度车辆位姿估计这一核心问题提供了重要实验载体，对自动驾驶路侧感知系统的算法评估具有里程碑意义。

当前挑战

在技术层面，BenchRNR需解决多源异构传感器时空标定精度不足导致的融合误差，以及非重复扫描模式点云密度分布不均匀带来的特征提取难题。数据集构建过程中，研究人员面临动态交通场景下多设备同步触发、大规模点云标注成本高昂等工程挑战。针对车辆定位这一核心应用场景，如何克服重复扫描雷达的运动模糊效应与非重复扫描雷达的初始配准偏差，成为评估不同算法鲁棒性的关键指标。

常用场景

经典使用场景

在智能交通系统与自动驾驶领域，BenchRNR数据集为研究基础设施支持的车辆定位提供了关键数据支持。该数据集通过包含重复和非重复扫描模式的LiDAR点云数据，为评估不同扫描模式在复杂环境下的性能差异提供了标准化基准。研究人员可利用该数据集对比分析OT-128重复扫描LiDAR与Livox Avia非重复扫描LiDAR在动态交通场景中的定位精度差异，特别是在多目标跟踪和位姿估计任务中的表现。

解决学术问题

BenchRNR数据集有效解决了自动驾驶领域关于传感器扫描模式优化的核心学术问题。通过提供同步采集的多种LiDAR数据，该数据集帮助研究者定量分析扫描模式对点云质量的影响，进而优化基于路侧感知的车辆定位算法。其包含的5,428帧标注数据为研究点云分割、目标检测和位姿估计等关键任务提供了可靠基准，显著推进了多传感器融合定位的理论研究。

实际应用

该数据集在智慧城市建设和车路协同系统中展现出重要应用价值。交通管理部门可利用其评估不同LiDAR设备在复杂路口监控中的性能，为基础设施传感器选型提供依据。自动驾驶企业则可通过该数据集测试定位算法在真实道路场景的鲁棒性，特别是针对非重复扫描LiDAR特有的运动畸变问题的解决方案开发。

数据集最近研究

最新研究方向

随着智能交通系统和自动驾驶技术的快速发展，基于基础设施的车辆定位成为研究热点。BenchRNR数据集作为首个专注于重复与非重复扫描激光雷达性能评估的基准数据集，为车辆姿态估计领域提供了重要的数据支持。当前研究主要聚焦于多模态传感器融合算法优化，通过结合点云分割、凸包检测和模板匹配等方法，提升复杂场景下的定位精度。该数据集推动了新型激光雷达扫描模式在车路协同系统中的性能验证，相关成果已应用于智慧城市建设和V2X通信技术研发。