LunarLoc

提供了17个单独的遍历数据，包含两种数据格式：CSV和LAC。CSV文件包含探测器的地面真实x、y、z位置以及每帧场景中的估计巨石检测。LAC文件包含更详细的信息，包括探测器的地面真实6-DOF姿态、IMU数据、探测器配置状态和模拟器中的相机图像。

This dataset provides 17 individual traversal datasets, with two supported data formats: CSV and LAC. CSV files contain the ground-truth x, y, z positions of the detector, as well as the estimated boulder detections in the scene for each frame. LAC files contain more detailed information, including the ground-truth 6-DOF pose of the detector, IMU data, detector configuration status, and camera images from the simulator.

原始信息汇总

LunarLoc数据集概述

数据集基本信息

• 数据格式：提供两种数据格式（.csv和.lac）
• 数据内容：包含17个独立遍历轨迹的数据

数据文件详情

CSV格式文件

• 包含内容：
  • 巡视器的地面真实x、y、z位置
  • 每帧场景中估计的巨石检测结果

LAC格式文件

• 包含内容：
  • 巡视器的地面真实6-DOF姿态
  • IMU数据
  • 巡视器配置状态
  • 模拟器中的相机图像
• 文件结构： text <file_name>.lac/ ├── metadata.toml ├── initial.toml ├── frames.csv ├── images/ │ └── <camera>/ │ ├── <camera>_frames.csv │ ├── grayscale/ │ │ └── <camera>grayscale<frame>.png │ └── semantic/ │ └── <camera>semantic<frame>.png └── custom/ └── <record_name>.csv

数据读取工具

• FrameDataReader：提供对数值数据的直接访问

  • 功能：
    • 读取initial（字典）
    • 读取frames（DataFrame）
    • 读取camera_frames（相机数据字典）
    • 读取custom_records（自定义记录字典）

• CameraDataReader：提供对相机数据和图像数据的访问

  • 功能：
    • 获取特定帧数据（get_frame）
    • 获取图像数据（get_image）
    • 获取LAC风格输入数据（input_data）

• PlaybackAgent：模拟自主代理功能

  • 功能：
    • 获取IMU数据（get_imu_data）
    • 获取输入数据（input_data）
    • 检查记录结束（at_end）
    • 步进到下一帧（step_frame）
    • 跳转到特定帧（set_frame）
    • 获取相机状态（get_camera_state）

数据获取

• LAC文件可通过GitHub releases页面获取：https://github.com/Robaire/LunarLoc/releases
• 示例数据和播放脚本包含在examples目录中

搜集汇总

数据集介绍

构建方式

LunarLoc数据集构建基于月球车在模拟环境中的十七次独立遍历任务，采用双格式存储策略确保数据兼容性与完整性。原始数据通过高保真度仿真系统采集，包含六自由度位姿、IMU传感器数据、设备状态配置及多视角相机图像等多维信息。其中CSV格式精简存储了月球车三维坐标与岩石检测结果，而LAC格式则采用层级化归档结构，通过TOML文件记录元数据，CSV文件组织时序帧数据，并按照相机类型分类存储灰度图与语义分割图，形成完整的时空数据链。

特点

该数据集的核心价值体现在多模态数据的深度融合与精确时空对齐。十七组遍历数据完整呈现了月球表面导航的典型场景，六自由度位姿数据精度达毫米级，配合200Hz采样的IMU数据构成运动学分析基础。双光谱相机系统同步采集的灰度与语义图像，不仅保留原始视觉特征，还提供像素级场景理解标签。数据集特别设计了LAC格式的智能读取接口，通过FrameDataReader和CameraDataReader类实现数据的高效访问，其内建的numpy和pandas兼容性显著降低了科研人员的预处理负担。

使用方法

使用者可通过Python生态工具链快速开展数据分析，利用FrameDataReader直接获取pandas格式的数值型数据表格，CameraDataReader则专用于图像数据提取，支持以numpy数组形式获取任意帧的视觉数据。数据集提供的PlaybackAgent类完美复现了月球自主挑战赛的仿真环境接口，开发者可通过set_frame()和step_frame()方法实现数据遍历，input_data()方法直接输出与仿真器兼容的输入字典。示例代码展示了如何结合IMU数据与视觉帧构建完整的导航算法测试流程，特别适合月球车定位算法开发与闭环验证。

背景与挑战

背景概述

LunarLoc数据集由Robaire团队于2025年创建，旨在支持月球探测车的自主定位与导航研究。该数据集基于约翰霍普金斯大学应用物理实验室主导的Lunar Autonomy Challenge项目，通过仿真环境采集了17组探测车行进轨迹的多模态数据，包含六自由度位姿、IMU数据、配置状态及相机图像等关键信息。作为深空探测领域的重要基准，LunarLoc为月球表面动态环境下的SLAM算法验证、传感器融合技术优化提供了高保真实验平台，推动了行星机器人自主系统的研究进程。

当前挑战

在解决月球探测车实时定位这一核心问题上，LunarLoc需应对极端光照条件造成的视觉特征缺失、低纹理月壤环境引发的定位漂移等固有挑战。数据集构建过程中，研究团队面临多传感器时空同步精度控制、大规模仿真数据压缩存储等技术难点，特别是.lac格式需平衡高频率IMU数据与高分辨率图像的存储效率。此外，语义分割标签与惯性测量单元的数据对齐问题，也对探测车状态估计的算法验证提出了更高要求。

常用场景

经典使用场景

LunarLoc数据集在月球探测车自主导航研究中具有重要价值。该数据集通过模拟月球表面环境，提供了探测车在复杂地形中的运动轨迹、姿态数据以及多模态传感器信息。研究人员可以利用这些数据构建和验证基于视觉、惯性测量单元(IMU)等多传感器融合的定位算法，模拟真实月球探测任务中的导航挑战。

实际应用

在实际应用中，LunarLoc数据集已被用于训练和测试下一代月球车的自主导航系统。航天机构可以利用该数据集优化探测路径规划算法，评估不同传感器配置的可靠性。教育机构则将其作为太空机器人课程的实践平台，帮助学生理解深空探测中的技术挑战。

衍生相关工作

基于LunarLoc数据集，学术界已衍生出多项重要研究。其中包括改进的视觉-惯性里程计算法、针对月球环境的语义分割网络优化，以及基于强化学习的自主导航策略。这些工作发表在机器人顶级会议ICRA和IROS上，推动了行星探测机器人技术的进步。