PiLoT-data

PiLoT数据集是一个面向无人机地理定位与导航研究的大规模多模态数据集，总规模约5-6TB。该数据集包含欧洲多个国家（英国、芬兰、法国、德国、意大利等）和美国主要城市的无人机飞行轨迹数据，每个子数据集由相同路径的参考轨迹（晴朗天气）和查询轨迹（含天气效应）组成。数据模态包括连续帧的RGB图像（*_0.png）和度量深度图（*_1.png）。每个轨迹记录包含详细元数据：城市位置、经纬度坐标、飞行高度（200m/300m/500m）及俯仰角范围。数据集特别适用于跨天气条件下的视觉定位、深度估计和无人机自主导航研究。使用需遵守非商业研究许可，要求注明出处为国防科技大学Saw实验室。The PiLoT Dataset is a large-scale multimodal dataset tailored for drone geolocation and autonomous navigation research, with an overall size of approximately 5–6 TB. It encompasses drone flight trajectory data collected across multiple European countries including the United Kingdom, Finland, France, Germany, Italy, etc., as well as major urban areas in the United States. Each sub-dataset is structured with two types of trajectories along identical paths: reference trajectories acquired under clear weather conditions, and query trajectories affected by various weather phenomena. The dataset includes two core data modalities: consecutive-frame RGB images (denoted as *_0.png) and metric depth maps (denoted as *_1.png). Each trajectory record carries comprehensive metadata, including urban location, geographic coordinates (longitude and latitude), flight altitudes (200 m, 300 m, 500 m) and pitch angle ranges. This dataset is specifically optimized for research on visual localization, depth estimation and autonomous drone navigation under cross-weather conditions. For usage, non-commercial research purposes are permitted, and proper attribution to the Saw Laboratory of the National University of Defense Technology is required.

原始信息汇总

PiLoT数据集概述

数据集基本信息

• 数据集名称: PiLoT Dataset
• 许可证: MIT
• 任务类别: 特征提取
• 主要语言: 英语
• 标签: UAV地理定位、导航、无人机图像
• 总大小: 约5-6 TB
• 当前状态: 上传中（数据集正在同步至云盘，部分链接可能即将可用）

数据内容与结构

• 数据对: 每个子数据集包含一个参考轨迹（晴朗天气）和一个查询轨迹（具有天气影响），两者遵循完全相同的路径。
• 数据模态: 序列帧以*_0.png格式提供RGB图像，以*_1.png格式提供度量深度图像。
• 数据访问:
  • 图像: 从README中的云盘链接下载。
  • 位姿与相机参数: 直接从本代码仓库下载。
• 重要提示: 请从本仓库下载重投影代码并首先运行演示，以验证投影对齐和坐标系。

轨迹详情

数据集包含多个轨迹，覆盖英国、芬兰、法国、德国、意大利、荷兰、西班牙、瑞士和美国等多个国家的城市。每个轨迹信息包括：

• 轨迹名称
• 地理位置（城市，国家）
• 经纬度坐标
• 飞行高度
• 俯仰角范围
• 百度网盘下载链接
• Google Drive下载链接

许可与使用条款

• 版权: 2026年国防科技大学Saw实验室。
• 使用目的: 仅限研究和教育用途。
• 商业使用: 严格禁止将本仓库中包含的任何数据用于商业用途。
• 用户义务:
  • 在任何学术出版物或项目报告中，必须对国防科技大学Saw实验室进行适当的署名。
  • 不得将数据集或其任何衍生作品用于商业获利。

搜集汇总

数据集介绍

构建方式

在无人机地理定位与导航研究领域，PiLoT数据集的构建体现了对复杂环境适应性的深度考量。该数据集通过采集多个欧洲国家及美国城市上空无人机飞行的轨迹数据，每条轨迹均包含在相同路径下获取的参考序列与查询序列。参考序列记录晴朗天气条件下的视觉信息，而查询序列则模拟了各种天气效应下的场景，这种配对设计旨在评估视觉定位算法在环境变化下的鲁棒性。数据采集覆盖了200米至500米的不同飞行高度，以及0到50度的俯仰角范围，确保了视角的多样性。图像数据以RGB和度量深度两种模态同步提供，为三维场景理解提供了丰富的信息基础。

特点

PiLoT数据集的核心特征在于其大规模、多地域和多模态的综合性。数据集总容量约为5至6TB，涵盖了英国、芬兰、法国、德国、意大利、荷兰、西班牙、瑞士和美国等多个国家的城市空域影像，地理多样性显著。每个子数据集均由严格配对的参考-查询轨迹构成，这种结构为研究视觉地理定位中的领域自适应和条件不变性提供了理想实验平台。数据不仅提供连续的RGB帧序列，还附带了同步的度量深度图，形成了密集的视觉-几何对应关系。此外，所有轨迹均配备了精确的位姿与相机参数，便于进行定量化的定位精度评估与算法验证。

使用方法

为有效利用PiLoT数据集进行研究，用户需遵循特定的数据获取与预处理流程。图像数据需通过提供的百度网盘或Google Drive链接下载，而相机位姿和参数文件则可直接从本代码仓库获取。为确保数据投影对齐与坐标系一致性，建议首先下载并运行仓库中提供的重投影代码演示。数据集适用于特征提取、视觉定位、无人机导航等任务，研究者可利用配对轨迹进行跨天气条件的匹配算法训练与测试。在使用过程中，必须遵守仅限研究与教育用途的许可协议，并在任何学术出版物中注明数据来源于国防科技大学Saw实验室。

背景与挑战

背景概述

无人机地理定位与导航是计算机视觉与机器人学交叉领域的关键研究方向，旨在解决飞行器在复杂环境中自主定位与路径规划的难题。PiLoT数据集由国防科技大学Saw实验室于2026年构建，其核心研究问题聚焦于跨天气条件下的视觉定位鲁棒性提升。该数据集通过采集多个欧洲与北美城市的无人机航拍序列，提供了包含晴朗与恶劣天气对照的RGB与深度图像对，为视觉定位算法的训练与评估奠定了数据基础，对推动无人机在遥感、测绘与自主导航领域的应用具有显著影响力。

当前挑战

在无人机视觉定位领域，模型需克服天气变化、光照差异与视角变换导致的图像表征漂移，实现跨域鲁棒匹配，这是PiLoT数据集旨在解决的核心挑战。数据构建过程中，挑战体现在大规模多城市轨迹采集的协调成本高昂，需确保参考与查询轨迹在相同路径上的精确时空对齐；同时，深度信息获取与RGB图像的多模态同步处理增加了数据标注与校验的复杂度，而高达5-6TB的数据量对存储与分发提出了严峻的工程要求。

常用场景

经典使用场景

在无人机视觉定位领域，PiLoT数据集以其大规模、多模态的航拍序列为经典使用场景提供了坚实基础。该数据集通过提供相同路径下的参考轨迹（晴朗天气）与查询轨迹（恶劣天气效应）配对，使得研究人员能够深入探索跨天气条件下的视觉匹配与定位算法。其包含的RGB图像与度量深度信息，为基于深度学习的特征提取与三维重建任务提供了丰富的数据支持，尤其适用于评估算法在真实复杂环境中的鲁棒性与泛化能力。

衍生相关工作

基于PiLoT数据集，学术界已衍生出一系列经典研究工作，主要集中在视觉定位、域适应与多模态融合等方向。例如，利用其跨天气配对数据，研究者提出了多种基于对抗学习与自监督学习的域适应方法，以提升模型在未见天气条件下的定位性能。同时，结合RGB与深度信息的工作探索了多模态特征融合策略，用于增强场景表示的判别力。这些研究不仅推动了相关算法的发展，也为后续大规模、多任务学习框架的构建提供了重要参考。

数据集最近研究

最新研究方向

无人机视觉地理定位领域正经历从静态场景向动态环境适应的深刻变革。PiLoT数据集以其大规模、多模态和跨天气的参考-查询轨迹对，为应对复杂气象条件下的视觉定位挑战提供了关键资源。当前研究聚焦于利用其RGB与深度信息融合的序列数据，探索基于深度学习的跨域特征匹配与鲁棒位姿估计方法，以提升无人机在雨雪、雾霾等恶劣天气中的自主导航能力。这一方向紧密关联着城市空中交通与应急救援等热点应用，其进展将显著推动全天候、高精度无人机定位技术的发展，对增强无人系统在真实世界中的可靠性与适应性具有深远意义。