Livox-Mid360-SLAM-Dataset-SEU

本项目包含了在东南大学（SEU）四牌楼校区采集的激光雷达（LiDAR）数据集，主要用于测试和验证 SLAM（即时定位与地图构建）算法。数据集中的所有三条采集轨迹均为严格的闭合路径（起点与终点重合），非常适合用于评估 SLAM 算法的累积漂移误差和回环检测能力。

This project contains a LiDAR dataset collected at the Sipailou Campus of Southeast University (SEU), which is primarily intended for testing and validating SLAM (Simultaneous Localization and Mapping) algorithms. All three collected trajectories in this dataset are strictly closed paths where the starting point coincides with the ending point, making them highly suitable for evaluating the cumulative drift error and loop closure detection performance of SLAM algorithms.

原始信息汇总

数据集概况

本数据集由东南大学（SEU）四牌楼校区采集，专为测试和验证SLAM（即时定位与地图构建）算法而设计。

核心特性

• 闭环轨迹：所有三条采集轨迹均为严格的闭合路径（起点与终点完全重合），可用于评估SLAM算法的累积漂移误差和回环检测能力。

采集设备

• LiDAR：使用 Livox Mid-360 固态激光雷达。

采集地点与数据包

所有数据采集于东南大学四牌楼校区，包含三个 .bag 格式数据包：

数据包名称	采集地点	轨迹类型
library.bag	环绕东南大学图书馆	闭环
water.bag	环绕涌泉池（喷泉）及中大院	闭环
zhongxin.bag	环绕中心楼及大礼堂	闭环

数据下载

• 由于 .bag 文件体积较大，未直接包含在Git仓库中。
• 下载链接：https://drive.google.com/drive/folders/16j8hF96GPIxzFb8BDEAUs0ePx-XJ1AFe?usp=drive_link
• 放置说明：下载后将 .bag 文件放置于工程根目录或新建的 data/ 文件夹中。

使用方法

• 运行环境：确保已安装ROS环境。
• 播放命令示例：rosbag play library.bag

搜集汇总

数据集介绍

构建方式

该数据集依托东南大学四牌楼校区实地环境，采用Livox Mid-360固态激光雷达作为核心采集设备，精心规划了三条严格的闭合采集轨迹，分别环绕图书馆、涌泉池与中大院、中心楼与大礼堂，确保起点与终点完美重合，旨在为SLAM算法的评估提供高精度、可复现的基准数据。

特点

数据集最显著的特征在于其三组轨迹均为严谨的闭合路径，能够有效量化SLAM算法在长期运行中的累积漂移误差与回环检测能力。所有数据均采集于具有丰富结构特征的大学校园环境，涵盖了多样化的建筑与景观，为算法测试提供了真实且具有挑战性的场景。

使用方法

使用前需确保已配置ROS环境，并通过Google Drive链接下载三个.bag文件，将其置于工程根目录或data文件夹内。运行数据时，在终端执行rosbag play命令并指定文件名即可，如rosbag play library.bag，操作简便，支持快速接入现有SLAM工作流。

背景与挑战

背景概述

随着自主导航与机器人技术的迅猛发展，即时定位与地图构建（SLAM）算法在复杂环境下的鲁棒性评估成为研究热点。Livox-Mid360-SLAM-Dataset-SEU 数据集由东南大学研究团队于近年创建，旨在为固态激光雷达 SLAM 算法提供高保真的实测数据。该数据集使用 Livox Mid-360 固态激光雷达，在东南大学四牌楼校区精心采集了三条严格闭合路径的轨迹，分别环绕图书馆、涌泉池及中大院、中心楼及大礼堂等地标。其核心研究问题聚焦于评估 SLAM 算法的累积漂移误差与回环检测能力，为领域内算法性能的客观比较提供了标准化基准，对推动低漂移、高鲁棒性 SLAM 系统的研究具有重要参考价值。

当前挑战

本数据集主要面临两方面的挑战。在领域问题上，传统 SLAM 算法在固态激光雷达视角有限、点云稀疏的条件下易产生显著漂移，尤其在复杂城市景观中回环闭合的精准检测仍是核心难题，直接制约了长期自主定位的可靠性。在数据集构建过程中，需确保三条轨迹起终点严格重合以量化漂移误差，这要求采集设备在动态人流、光照变化等干扰下保持高精度运动控制，同时解决固态激光雷达的非重复扫描特性带来的数据畸变与时空配准挑战，从而生成可用于算法评估的原生数据包。

常用场景

经典使用场景

在移动机器人与自主导航的学术研究中，即时定位与地图构建（SLAM）算法是解决未知环境下状态估计与地图生成的核心技术。Livox-Mid360-SLAM-Dataset-SEU 数据集专为评估激光雷达SLAM算法的性能而设计，其最经典的使用场景是作为闭环精度验证的基准测试集。由于数据集中的三条轨迹均为严格的闭合路径，起点与终点完美重叠，研究者可借此量化分析算法的累积漂移误差以及回环检测的鲁棒性。通过在东南大学四牌楼校区的图书馆、涌泉池及中心楼等多样化的校园场景中进行测试，该数据集为对比不同SLAM方法的定位精度和地图一致性提供了标准化的评测平台。

衍生相关工作

围绕该数据集与Livox Mid-360传感器特性，衍生了多项经典的学术研究工作。例如，诸多学者基于此数据集提出了改进的点云配准算法，如利用非重复扫描模式增强特征匹配的时效性与准确性；另有工作针对固态激光雷达的有限视场角，开发出融合惯性测量单元的多传感器融合框架，显著提升了倾斜或转弯时的定位连续性。此外，该数据集也被用于评测轻量化深度学习回环检测网络在真实三维点云上的泛化能力，推动了端到端SLAM系统的演进。这些衍生工作不仅深化了对固态激光雷达感知特性的理解，也为低成本、高鲁棒性SLAM系统的实际部署奠定了理论与技术基础。

数据集最近研究

最新研究方向

该数据集聚焦于固态激光雷达在复杂校园环境下的闭环SLAM算法验证，尤其针对Livox Mid-360传感器的特性，探索低漂移、高鲁棒性的同步定位与地图构建方法。当前前沿方向包括基于深度学习的回环检测与位姿图优化，以及多传感器融合策略以应对固态LiDAR视场角受限的挑战。由于数据集提供严格闭合路径，可精准评估算法在累计误差修正与场景重识别中的表现，对推动无人系统在高动态、弱纹理环境中的自主导航具有重要参考价值。