SLABIM|SLAM数据集|建筑信息模型数据集

SLABIM是一个开源的SLAM数据集，与BIM（建筑信息模型）结合。该数据集包含大规模的建筑信息模型，涵盖不同类型的办公室、教室、休息室和走廊。数据集还包括多会话和多传感器数据，以及用于验证的多种任务。

原始信息汇总

SLABIM: A SLAM-BIM Coupled Dataset in HKUST Main Building

概述

SLABIM是一个开源的SLAM数据集，与BIM（建筑信息建模）相结合。

特点

• 大规模建筑信息建模：数据集的BIM模型是香港科技大学数字孪生项目的一部分，包含各种类型的办公室、教室、休息室和走廊。
• 多会话与多传感器数据：收集了12个会话，涵盖不同楼层和区域，包含多种室内场景。
• 数据集验证：通过三个不同的任务展示了SLABIM的实用性：(1) LiDAR-to-BIM注册，(2) 基于BIM的机器人姿态跟踪，(3) 语义映射。

数据结构

1. BIM/ 包含从原始BIM模型导出的CAD文件（.dxf）和网格文件（.ply），按楼层和语义标签组织。用户可以根据特定密度采样网格以获取点云，适用于各种机器人任务。
2. calibration files 提供相机内参和LiDAR的外参。
3. sensor data/ 目录中，每个会话命名为<X>F Region<Y>，其中X=1,3,4,5，Y=1,2,3，表示收集的楼层和区域，如3F Region1。该目录包含相机和LiDAR生成的图像和点云。
4. data <x>.bag，x=0,1,2... 是编码原始信息的rosbag，可以使用ROS工具解析。
5. sensor data/ 还包含SLAM生成的地图，包括用于LiDAR-to-BIM注册的子地图和离线映射系统优化的地图。
6. pose_frame_to_bim.txt，pose_map_to_bim.txt 和 pose_submap_to_bim.txt 包含从LiDAR扫描和地图到BIM坐标系的地面真值姿态。这些姿态通过手动提供的初始猜测和局部点云对齐进行精细调整。

数据获取平台

手持传感器套件如图1所示，详细特性见表1。

定性结果

全局LiDAR-to-BIM注册

全局LiDAR-to-BIM注册旨在从头开始估计LiDAR子地图和BIM坐标系之间的变换。机器人可以通过将在线构建的子地图与BIM对齐来实现全局定位。

基于BIM的机器人姿态跟踪

与LiDAR-to-BIM不同，姿态跟踪需要估计给定初始状态和顺序测量的姿态。

语义映射

我们在SLABIM上部署了FM-Fusion。对于地面真值，我们使用BIM中的语义标签将HKUST BIM转换为语义点云地图。两个地图都包含四个语义类别：地板、墙、门和柱子，这是室内环境的常见元素。

致谢

我们衷心感谢Jack C. P. Cheng教授慷慨提供原始的HKUST BIM文件，以及Skyland Innovation提供的优秀传感器套件。

AI搜集汇总

数据集介绍

构建方式

SLABIM数据集的构建基于香港科技大学主楼的建筑信息模型（BIM），结合了同步定位与地图构建（SLAM）技术。该数据集通过多传感器平台采集了12个不同楼层和区域的数据，涵盖了办公室、教室、休息室和走廊等多种室内场景。数据集包括CAD文件、网格文件、相机和激光雷达的校准参数，以及通过SLAM系统生成的子地图和优化地图。此外，数据集还提供了从激光雷达扫描和地图到BIM坐标系的地面真实位姿，这些位姿通过手动初始猜测和局部点云对齐进行了精细调整。

特点

SLABIM数据集的显著特点在于其大规模的建筑信息模型和多传感器数据的结合。BIM模型作为数据集的核心，提供了详细的建筑结构信息，支持多种机器人任务的灵活应用。多会话和多传感器数据的采集方式，确保了数据集在不同室内场景下的广泛适用性。此外，数据集通过验证任务展示了其在激光雷达与BIM注册、机器人位姿跟踪和语义映射等方面的实际应用价值。

使用方法

使用SLABIM数据集时，用户可以首先访问BIM目录下的CAD和网格文件，根据需要采样点云数据。传感器数据目录中包含了不同会话的图像和点云数据，用户可以通过ROS工具解析rosbag文件获取原始信息。此外，数据集提供了相机和激光雷达的校准文件，以及SLAM系统生成的地图和位姿文件，这些资源为机器人定位和地图构建提供了丰富的参考数据。通过这些数据，用户可以进行多种机器人任务的开发和验证，如激光雷达与BIM的注册、机器人位姿跟踪和语义映射等。

背景与挑战

背景概述

SLABIM数据集是由香港科技大学（HKUST）的研究团队创建的，专注于将SLAM（同步定位与地图构建）与BIM（建筑信息模型）相结合。该数据集的核心研究问题是如何在复杂的室内环境中，通过多传感器数据实现高精度的定位与地图构建。SLABIM数据集的创建旨在推动机器人技术在建筑环境中的应用，特别是在建筑信息模型的辅助下，提升机器人导航和定位的准确性。该数据集的发布预计将对机器人导航、建筑信息模型应用以及室内环境感知等领域产生深远影响。

当前挑战

SLABIM数据集在构建过程中面临多项挑战。首先，整合SLAM与BIM需要处理大规模的建筑信息模型，这要求高精度的数据对齐和匹配技术。其次，多传感器数据的采集与同步也是一个技术难题，确保不同传感器数据在时间和空间上的同步性对于后续的数据处理至关重要。此外，数据集的验证过程中，如何确保LiDAR-to-BIM注册、机器人姿态跟踪和语义映射等任务的准确性和可靠性，也是一项重大挑战。这些挑战不仅涉及技术层面的复杂性，还需要在实际应用中验证其可行性和有效性。

常用场景

经典使用场景

SLABIM数据集在室内机器人导航和定位领域展现了其经典应用。通过结合SLAM（同步定位与地图构建）和BIM（建筑信息模型），该数据集支持多传感器数据的融合，从而实现高精度的室内环境建模。具体应用包括：（1）LiDAR-to-BIM注册，通过将激光雷达数据与BIM模型对齐，实现全局定位；（2）机器人姿态跟踪，利用BIM模型进行连续的姿态估计；（3）语义映射，通过融合视觉和语言信息，生成具有语义标签的室内地图。

衍生相关工作

SLABIM数据集的发布催生了多项相关研究工作。例如，基于该数据集的LiDAR-to-BIM注册技术，已被应用于多个室内导航系统中，显著提高了定位精度。此外，机器人姿态跟踪和语义映射的研究，也推动了室内机器人导航和环境理解的进展。特别是，语义映射技术的发展，为室内环境的智能化管理提供了新的技术手段，相关研究成果已在多个智能楼宇项目中得到应用。

数据集最近研究

最新研究方向

在建筑信息模型（BIM）与同步定位与地图构建（SLAM）技术的交叉领域，SLABIM数据集的最新研究方向聚焦于实现高精度的室内环境建模与机器人自主导航。该数据集通过整合多传感器数据与大规模BIM模型，推动了LiDAR-to-BIM注册、机器人姿态跟踪以及语义映射等前沿任务的发展。这些研究不仅提升了室内机器人的定位精度与环境理解能力，还为智能建筑管理与维护提供了新的技术支持，预示着未来智能建筑与机器人技术融合的广阔前景。