LuSNAR

LuSNAR是一个多任务、多场景、多标签的月球数据集，包含9个基于虚幻引擎的月球模拟场景，每个场景根据地形起伏和物体密度进行划分。数据集包括高分辨率立体图像对、全景语义标签、密集深度图、激光雷达点云、IMU数据和探测车姿态数据，用于自主探索的全面评估，如2D/3D语义分割、视觉/激光雷达SLAM和3D重建。

LuSNAR is a multi-task, multi-scenario, and multi-label lunar dataset, encompassing nine lunar simulation scenes based on the Unreal Engine. Each scene is categorized according to terrain undulations and object density. The dataset includes high-resolution stereo image pairs, panoramic semantic labels, dense depth maps, LiDAR point clouds, IMU data, and rover pose data, designed for comprehensive evaluation in autonomous exploration, such as 2D/3D semantic segmentation, visual/LiDAR SLAM, and 3D reconstruction.

原始信息汇总

数据集概述

数据集名称

LuSNAR Dataset

数据集描述

LuSNAR是一个基于多传感器（立体相机、LiDAR、IMU）的月球分割、导航和重建数据集，用于自主探索。该数据集包含9个基于Unreal Engine的月球模拟场景，每个场景根据地形起伏和物体密度进行划分。

数据集内容

• 高分辨率立体图像对
• 全景语义标签
• 密集深度图
• LiDAR点云
• IMU数据
• 漫游车姿态数据

数据集用途

• 2D/3D语义分割
• 视觉/LiDAR SLAM
• 3D重建

数据集大小

总大小为108GB，具体包括：

• 42GB立体图像对
• 50GB深度图
• 356MB语义分割标签
• 14GB带有语义信息的单帧点云数据

数据集结构

plaintext ├── image1 │ ├── RGB │ │ ├── timestamp1.png │ │ ├── timestamp2.png │ │ └── ... │ ├── Depth │ │ ├── timestamp1.png │ │ ├── timestamp2.png │ │ └── ... │ └── Label │ ├── timestamp1.png │ ├── timestamp2.png │ └── ... ├── image2 │ ├── RGB │ │ ├── timestamp1.png │ │ ├── timestamp2.png │ │ └── ... │ ├── Depth │ │ ├── timestamp1.png │ │ ├── timestamp2.png │ │ └── ... │ └── Label │ ├── timestamp1.png │ ├── timestamp2.png │ └── ... ├── LiDAR │ ├── timestamp1.txt │ ├── timestamp2.txt │ └── ... ├── Rover_pose.txt └── IMU.txt

文件格式

• LiDAR/timestamp.txt plaintext | x [m] | y [m] | z [m] | category |

• Rover_pose.txt plaintext | timestamp [ns] | p_RS_R_x [m] | p_RS_R_y [m] | p_RS_R_z [m] | q_RS_w [] | q_RS_x [] | q_RS_y [] | q_RS_z [] | v_RS_R_x [m s^-1] | v_RS_R_y [m s^-1] | v_RS_R_z [m s^-1] | b_w_RS_S_x [rad s^-1] | b_w_RS_S_y [rad s^-1] | b_w_RS_S_z [rad s^-1] | b_a_RS_S_x [m s^-2] | b_a_RS_S_y [m s^-2] | b_a_RS_S_z [m s^-2] |

• IMU.txt plaintext | timestamp [ns] | w_RS_S_x [rad s^-1] | w_RS_S_y [rad s^-1] | w_RS_S_z [rad s^-1] | a_RS_S_x [m s^-2] | a_RS_S_y [m s^-2] | a_RS_S_z [m s^-2] |

数据集可用性

预计在2024年下半年可用。

搜集汇总

数据集介绍

构建方式

LuSNAR数据集的构建基于多传感器（立体相机、LiDAR、IMU），旨在模拟月球自主探索的场景。该数据集包含9个基于Unreal Engine的月球模拟场景，每个场景根据地形起伏和物体密度进行划分。数据集的生成过程涉及高分辨率立体图像对、全景语义标签、密集深度图、LiDAR点云、IMU数据以及探测器姿态数据的采集与处理，确保了数据的多任务、多场景和多标签特性。

特点

LuSNAR数据集的显著特点在于其多任务、多场景和多标签的设计，涵盖了月球表面的多种地形和物体类型。数据集不仅包括高分辨率的立体图像对和全景语义标签，还提供了密集的深度图和LiDAR点云，以及IMU数据和探测器姿态信息。这些数据的多样性和丰富性为自主感知和导航系统的综合评估提供了坚实的基础。

使用方法

LuSNAR数据集适用于2D/3D语义分割、视觉/LiDAR SLAM以及3D重建等任务的评估与研究。用户可以通过CSTCloud平台下载数据集，数据集的结构清晰，包括图像、深度图、语义标签、LiDAR点云、探测器姿态和IMU数据等。每个文件夹内的数据按时间戳组织，便于用户进行时间序列分析和处理。

背景与挑战

背景概述

LuSNAR数据集是一个基于多传感器（立体相机、LiDAR、IMU）的月球分割、导航和重建数据集，旨在支持自主探索任务。该数据集由多个研究机构合作创建，包含9个基于Unreal Engine的月球模拟场景，每个场景根据地形起伏和物体密度进行划分。LuSNAR数据集的核心研究问题涉及多任务处理，包括2D/3D语义分割、视觉/LiDAR SLAM和3D重建。自发布以来，LuSNAR数据集已成为月球探索领域的重要资源，推动了自主感知和导航系统的综合评估。

当前挑战

LuSNAR数据集在构建过程中面临多项挑战。首先，多传感器数据的同步和融合是一个复杂的问题，需要精确的传感器校准和数据对齐。其次，月球表面的复杂地形和多样化的物体分布增加了数据标注和分割的难度。此外，数据集的规模和多样性要求高效的存储和处理解决方案，以确保数据的可用性和分析的便捷性。最后，如何确保数据集的真实性和模拟环境的准确性，以支持实际应用中的自主导航和重建任务，也是一个重要的挑战。

常用场景

经典使用场景

在月球自主探索领域，LuSNAR数据集以其多传感器融合的特性，成为评估和优化自主感知与导航系统的理想选择。该数据集支持2D/3D语义分割、视觉/LiDAR同步定位与地图构建（SLAM）以及3D重建等多任务处理。通过提供高分辨率立体图像对、全景语义标签、密集深度图、LiDAR点云和IMU数据，LuSNAR为研究人员提供了一个全面且细致的模拟环境，以验证和提升月球探测器在复杂地形中的导航与感知能力。

解决学术问题

LuSNAR数据集在解决月球表面复杂地形下的自主导航与感知问题方面具有重要意义。它通过模拟多种月球场景，帮助研究人员理解和应对月球表面的地质多样性，如月壤、撞击坑、岩石和山脉等。此外，数据集的多传感器数据融合能力，为解决多源数据融合中的同步与对齐问题提供了宝贵的实验平台，推动了相关算法的发展与优化。

衍生相关工作

基于LuSNAR数据集，已衍生出多项相关研究工作，涵盖了从基础算法优化到实际应用验证的多个层面。例如，有研究利用该数据集进行多传感器数据融合算法的研究，提升了SLAM系统的精度和鲁棒性。此外，还有工作专注于利用LuSNAR进行月球表面特征识别与分类，为未来的月球资源勘探提供了技术支持。这些衍生工作不仅丰富了月球自主探索领域的研究内容，也为实际任务的实施提供了理论与技术保障。