FusionPortableV2

FusionPortableV2是一个多传感器SLAM数据集，具有显著的传感器多样性、多变的运动模式和广泛的环境场景。该数据集包含27个序列，总时长超过2.5小时，来自四种不同的平台：手持设备、轮式和腿式机器人以及车辆。这些序列覆盖了包括建筑物、校园和城市区域在内的多种设置，总长度达38.7公里。此外，数据集还包括地面真实轨迹和RGB点云地图，覆盖约0.3平方公里。FusionPortableV2 is a multi-sensor SLAM dataset featuring remarkable sensor diversity, diverse motion patterns, and a wide range of environmental scenarios. This dataset comprises 27 sequences with a total duration of over 2.5 hours, collected from four distinct platforms: handheld devices, wheeled and legged robots, and vehicles. These sequences cover diverse settings including buildings, campuses, and urban areas, with a total traversed distance of 38.7 kilometers. In addition, the dataset also provides ground-truth trajectories and RGB point cloud maps, covering an area of approximately 0.3 square kilometers.

搜集汇总

数据集介绍

构建方式

在同步定位与建图（SLAM）领域，数据集的构建质量直接影响算法泛化能力的评估。FusionPortableV2数据集通过集成多传感器套件，在四种异构移动平台（手持设备、轮式机器人、腿式机器人和高速车辆）上采集数据。数据采集过程采用精密的时间同步机制，通过现场可编程门阵列（FPGA）板接收脉冲每秒信号，为惯性测量单元、立体帧相机和激光雷达提供频率触发，确保多模态数据的时间对齐精度低于1毫秒。27条序列覆盖建筑、校园、城市等多种环境，总时长超过2.5小时，轨迹总长达38.7公里，并辅以地面真值轨迹与RGB点云地图，构建了一个规模宏大且结构严谨的数据集合。

特点

该数据集的核心特征体现在其卓越的平台多样性与环境复杂性。传感器配置涵盖128线Ouster激光雷达、立体帧相机与事件相机、多款惯性测量单元以及平台专属的编码器与关节传感器，形成了丰富的多模态感知流。运动模式从手持设备的灵活晃动、腿式机器人的高频抖动到高速车辆的剧烈动力学变化，呈现出广泛的运动学特性。环境场景不仅包含结构化的室内空间与半结构的校园区域，还延伸至纹理稀疏的地下停车场、光照多变的隧道以及尺度宏大的高速公路，全面模拟了真实世界中的挑战性条件。这种多维度的异质性为评估与开发泛化SLAM算法提供了前所未有的测试基准。

使用方法

研究人员可通过数据集官方公开页面获取完整的传感器数据、校准参数与地面真值。数据以ROS包格式组织，并提供了配套的Python软件开发工具包，便于加载、解析与可视化多传感器数据流。针对算法评估，数据集支持在定位、建图及单目深度估计等多个任务上进行基准测试。例如，可利用提供的绝对轨迹误差评估脚本对比SLAM算法输出与地面真值轨迹的吻合度；或使用点云地图评估工具，将算法重建的地图与高精度激光扫描地图进行比对，计算重建误差、完整性和倒角距离等指标。此外，数据集的多样化序列允许进行跨平台、跨场景的泛化性能分析，为推进鲁棒且通用的SLAM系统研究提供了坚实的数据基础。

背景与挑战

背景概述

在机器人同步定位与建图（SLAM）领域，算法的泛化能力始终是制约其广泛应用的核心瓶颈。现有数据集往往局限于单一平台或特定环境，难以支撑跨平台、多场景的鲁棒性研究。为应对这一挑战，香港科技大学等机构的研究团队于2024年发布了FusionPortableV2数据集。该数据集旨在构建一个统一的多传感器基准，其核心研究问题聚焦于推动广义SLAM算法的发展，使其能够适应手持设备、轮式/腿式机器人及高速车辆等多种移动平台，并在校园、地下、高速公路等多样化环境中保持稳定性能。通过提供超过2.5小时、总长38.7公里的27个序列，以及高精度的地面真值轨迹与点云地图，该数据集显著提升了SLAM研究在真实复杂场景下的评估深度与广度，对推动数据驱动的自主导航系统演进具有重要影响力。

当前挑战

FusionPortableV2数据集致力于解决广义SLAM所面临的领域挑战，即如何使单一算法模型适应不同运动模式（如手持设备的抖动、腿式机器人的颠簸、车辆的高速运动）与异构环境（如纹理缺失的隧道、光照剧变的室内外过渡区、动态物体干扰的城区）。在构建过程中，研究团队遭遇了多源传感器时空同步、跨平台标定一致性、大规模高精度地面真值获取，以及数据采集过程中动态遮挡、GNSS信号断续等现实难题。此外，确保事件相机与帧相机、激光雷达在高速运动下的数据对齐，以及处理不同平台固有运动学数据的集成与校准，均是数据集构建中需要克服的关键技术障碍。

常用场景

经典使用场景

在机器人同步定位与建图领域，FusionPortableV2数据集为评估和开发广义SLAM算法提供了基准平台。其经典使用场景在于通过整合手持设备、轮式机器人、足式机器人及高速车辆四种异构平台采集的多模态传感器数据，模拟真实世界中从室内结构化环境到户外大尺度非结构化场景的连续导航任务。研究人员可利用该数据集验证算法在不同运动模式、环境纹理与光照变化下的鲁棒性与泛化能力，尤其适用于测试多传感器融合策略在应对动态干扰、GNSS信号断续等挑战时的表现。

解决学术问题

该数据集致力于解决SLAM研究中算法泛化能力不足的核心难题。传统数据集常受限于单一平台或特定环境，难以支撑跨域适应性研究。FusionPortableV2通过提供涵盖多样化运动模式（如足式机器人的高频抖动、车辆的高速线性运动）与复杂环境（包括地下停车场、校园、高速公路等）的同步多传感器数据，为探索平台无关的SLAM模型奠定了数据基础。其意义在于推动了从手工特征模型向数据驱动方法的范式转移，并为评估长期自主导航中的尺度一致性、动态对象处理等关键问题提供了标准化测试基准。

衍生相关工作

基于FusionPortableV2数据集，已衍生出多项聚焦于广义SLAM与跨平台感知的经典研究工作。例如，研究者利用其多传感器同步特性，开发了新型激光雷达-视觉-惯性融合框架，提升了在动态光照条件下的建图一致性。另有工作借鉴其足式机器人序列中的关节编码器数据，提出了融合本体感知的里程计模型，显著降低了剧烈运动下的位姿漂移。此外，该数据集还促进了单目深度估计的跨域泛化研究，通过对比手持设备与车辆平台的数据，揭示了场景尺度变化对视觉深度预测模型的影响机制，为域自适应感知算法的设计提供了实证基础。