DOALS (Dynamic Object Aware LiDAR SLAM) Dataset

DOALS数据集由苏黎世联邦理工学院ASL提供，用于LiDAR SLAM中的动态对象检测和移除。数据集包含多个序列，涵盖室内、室外和多层环境，以及一个合成场景。数据集中包含手动标注的动态点索引，传感器使用Ouster OS1-64 LiDAR，频率为10 Hz，每转2048个点。The DOALS dataset is provided by the ASL (Autonomous Systems Lab) at ETH Zurich, targeting dynamic object detection and removal in LiDAR SLAM tasks. It comprises multiple sequences covering indoor, outdoor, and multi-floor environments, along with one synthetic scene. Manually annotated dynamic point indices are included in the dataset. The sensor employed is the Ouster OS1-64 LiDAR, which operates at a frequency of 10 Hz and generates 2048 points per rotation.

原始信息汇总

数据集概述

数据集名称

DOALS (Dynamic Object Aware LiDAR SLAM) Dataset

数据集来源

ETH Zurich ASL

数据集下载地址

http://robotics.ethz.ch/~asl-datasets/2021_ICRA_dynamic_object_lidar_dataset/scenes

数据集描述

该数据集是一个用于评估激光雷达点云中动态物体检测与去除方法的基准数据集，专注于支持实时激光雷达建图与定位。

数据集序列

数据集包含多个真实世界和模拟场景的序列：

位置	序列数量	环境	描述
Hauptgebaeude	2	室内	ETH主楼
Station	2	多层	苏黎世主火车站
Shopville	2	室内	购物区
Niederdorf	2	室外	步行区
Simulated	1	合成	包含汽车、行人、动物等多种对象的模拟场景

传感器规格

• 激光雷达型号: Ouster OS1-64 (Gen 1)
• 频率: 10 Hz
• 每转点数: 2048
• 记录方式: 手持式（存在自运动畸变）

真值标注

• 每个序列包含10帧手动标注的帧。
• 动态点的索引存储在 indices.csv 文件中。
• 文件格式：timestamp_ns, idx1, idx2, idx3, ...

相关论文

• Pfreundschuh et al., "Dynamic Object Aware LiDAR SLAM based on Automatic Generation of Training Data", ICRA 2021

项目基准方法

本数据集用于评估以下非学习方法：

1. Dynablox (2023, RA-L): 基于体素（Voxblox）的高置信度自由空间建模方法。
2. DUFOMap (2024, RA-L): 基于UFOMap的高效动态感知映射方法。

评估指标

主要指标

• IoU (Intersection over Union)
• 精确率 (Precision)
• 召回率 (Recall)

附加指标

• FPS (每秒帧数，用于评估实时性)
• 保留率 (静态点正确保留的比例)
• 拒绝率 (动态点正确去除的比例)

项目结构

数据集在本项目中的存储路径为：dynamic_cloud_removal_lidar/data/DOALS/，其下按场景名称（如hauptgebaeude, station等）组织序列数据。

许可证

BSD-3-Clause

搜集汇总

数据集介绍

构建方式

DOALS数据集构建于真实与仿真环境的多场景融合，涵盖室内、室外及多层次复杂空间。数据采集采用Ouster OS1-64激光雷达，以10赫兹频率记录手持式移动下的点云序列，每帧包含2048个点，并保留了运动畸变特征以模拟实际应用场景。数据标注方面，每个序列选取10帧进行人工精细标注，动态点索引以CSV格式存储，为动态对象检测提供了可靠的基准真值。

使用方法

使用DOALS数据集需通过提供的脚本下载数据至指定路径，随后运行基准测试脚本以评估动态对象去除算法。数据集支持多种非学习方法如Dynablox和DUFOMap的集成，用户可通过配置文件调整参数并执行评估流程。结果分析工具能够计算交并比、精确率、召回率及帧率等指标，助力研究者优化算法在复杂环境中的实时性能与鲁棒性。

背景与挑战

背景概述

DOALS数据集由苏黎世联邦理工学院自主系统实验室于2021年发布，旨在应对动态环境下激光雷达同步定位与地图构建（SLAM）的核心挑战。该数据集聚焦于动态物体的检测与移除，为提升SLAM系统在复杂场景中的鲁棒性提供了关键基准。通过涵盖室内、室外及合成环境的多序列数据，并配备手动标注的动态点云真值，DOALS推动了非学习方法在实时动态感知领域的研究进展，对机器人导航和环境建模具有重要影响力。

当前挑战

DOALS数据集所解决的领域问题在于动态物体对激光雷达SLAM系统造成的干扰，其挑战包括在复杂环境中准确区分动态与静态点云，以及实现高精度、高效率的实时处理。构建过程中的挑战涉及手持设备采集带来的运动畸变校正、多场景下动态物体的多样化标注，以及合成数据与真实数据之间的域适应问题，这些因素共同增加了数据集的构建难度与评估复杂性。

常用场景

经典使用场景

在机器人同步定位与地图构建领域，动态环境下的感知鲁棒性始终是核心挑战。DOALS数据集通过提供包含室内外复杂场景的LiDAR点云序列，为动态物体检测与移除算法提供了标准化评估基准。该数据集经典地应用于非学习型方法的性能验证，例如Dynablox和DUFOMap等算法在其上测试实时处理能力与精度，推动动态感知技术的前沿探索。

解决学术问题

该数据集有效应对了动态物体对LiDAR SLAM系统造成的干扰问题，为学术界提供了量化评估动态点云剔除效果的统一平台。通过精确标注的动态点索引，研究者能够系统分析算法在静态结构保留与动态噪声滤除之间的平衡，从而解决动态环境下地图构建的准确性与一致性难题，显著提升了SLAM系统的环境适应能力。

实际应用

在实际机器人导航与自动驾驶系统中，动态物体的实时感知与处理至关重要。DOALS数据集模拟了火车站、购物区及行人区等真实场景，其数据可直接用于提升移动机器人在复杂动态环境中的定位精度。通过集成基于该数据集优化的算法，系统能够在人流密集或车辆穿行的场合实现更稳定可靠的地图更新与路径规划。

数据集最近研究

最新研究方向

在自动驾驶与机器人领域，动态环境下的同步定位与地图构建（SLAM）技术面临动态物体干扰的严峻挑战。DOALS数据集作为专注于动态物体感知的LiDAR基准，其最新研究聚焦于非学习方法的实时动态点云去除。前沿方向围绕体积化动态感知展开，如Dynablox通过高置信度自由空间建模实现86% IoU的检测精度，而DUFOMap则基于高效UFOMap框架提升计算效率。这些研究推动了动态感知在复杂室内外场景中的实时应用，为鲁棒SLAM系统提供了关键支撑，并促进了动态物体移除技术在自主导航中的实际部署。