XR Spatial Tracking Evaluation Dataset

该数据集包含在各种场景、设备和受控运动模式下收集的XR空间追踪数据，包括原始传感器和姿态数据、同步的地面真实轨迹以及处理后的分析就绪数据，用于评估商业XR设备的空间追踪性能

This dataset comprises XR spatial tracking data collected across various scenarios, devices and controlled motion patterns, including raw sensor and pose data, synchronized ground-truth trajectories, and processed analysis-ready data for evaluating the spatial tracking performance of commercial XR devices.

原始信息汇总

XR Spatial Tracking Evaluation 数据集概述

数据集来源

• 论文标题：XR Reality Check: What Commercial Devices Deliver for Spatial Tracking
• 作者：Tianyi Hu, Tianyuan Du, Zhehan Qu, Maria Gorlatova
• 会议：IEEE ISMAR 2025

数据集内容

• 测试平台实现：支持多设备同步评估
• 数据集类型：包含原始传感器数据、位姿数据、同步地面真值轨迹及处理后的分析就绪数据
• 数据采集传感器：Intel RealSense摄像头和IMU
• 运动模式：标准化运动模式，涵盖不同环境条件（特征丰富/无特征）

支持的XR设备

• Apple Vision Pro (AVP)
• Meta Quest 3 (MQ3)
• Microsoft HoloLens 2 (HL2)
• Magic Leap 2 (ML2)
• XReal Air 2 Ultra (XR2U)
• ORB-SLAM3基线（使用Intel RealSense）

数据集结构

• 硬件设计：多设备安装的3D可打印框架和头盔支架
• 软件工具：校准工具、时间同步工具、数据采集脚本
• 分析脚本：位姿误差计算（绝对位姿误差和相对位姿误差）、相关性分析笔记本

数据采集与处理

• 校准流程：外参校准、时间同步
• 数据采集：使用Unity和Xcode项目进行设备位姿记录，传感器数据采集脚本
• 分析流程：使用Python脚本计算位姿误差，相关性分析研究跟踪误差与传感器/环境参数的关系

使用要求

• 软件依赖：Unity 2020或更高版本、Xcode、Python 3.7+（numpy, pandas, matplotlib, scipy, evo）、Intel RealSense SDK 2.0
• 硬件依赖：运动捕捉系统（如Vicon）

许可信息

• 许可证：MIT License

联系方式

• 联系人：Tianyi Hu
• 邮箱：[e-mail]
• 机构：杜克大学电气与计算机工程系

致谢

• 支持机构：NSF、Cisco、Meta、DARPA、陆军研究实验室

搜集汇总

数据集介绍

构建方式

在扩展现实空间追踪评估领域，该数据集通过精密的多设备同步测试平台构建，采用高精度运动捕捉系统作为基准参考。研究团队设计了可3D打印的设备固定架与头盔支架，确保多款商用XR设备能在统一环境与运动条件下同步采集数据。通过外参校准与时间同步技术，将各设备坐标系与运动捕捉系统对齐，并利用英特尔实感相机与惯性测量单元收集传感器数据，最终形成包含原始传感器数据、同步轨迹及处理后数据的完整数据集。

使用方法

使用者需配置Unity、Xcode及Python分析环境，并配备运动捕捉系统与实感相机驱动。首先依据硬件指南安装红外标记，运行外参校准与时间同步程序以统一坐标系。数据采集阶段可通过多头测试架或真人佩戴方式，使用提供的应用收集位姿与传感器数据。分析阶段利用Python脚本计算位姿误差，并通过关联分析笔记本探究追踪性能与传感器及环境参数的依存关系，支持跨设备性能评估与算法优化研究。

背景与挑战

背景概述

扩展现实（XR）空间追踪技术作为元宇宙与混合现实交互的核心基础，其精度与稳定性直接决定了用户体验的沉浸感与真实感。由杜克大学电气与计算机工程系Maria Gorlatova教授团队于2025年创建的XR Spatial Tracking Evaluation Dataset，旨在系统评估多款商用XR设备（包括Apple Vision Pro、Meta Quest 3等）在统一环境与运动条件下的空间追踪性能。该数据集通过高精度运动捕捉系统（如Vicon）提供同步地面真值轨迹，填补了XR领域缺乏标准化评估基准的空白，为学术界与工业界提供了可靠的性能对比依据，推动了XR设备追踪算法的优化与标准化进程。

当前挑战

该数据集核心挑战在于解决多设备异构坐标系下的时空同步问题，需精确校准不同传感器与运动捕捉系统之间的外参变换与时间戳对齐。构建过程中需克服商用XR设备接口封闭、数据输出频率不一致、以及环境特征多样性（如特征丰富与特征缺失场景）对追踪稳定性的影响。此外，大规模数据采集需设计标准化运动模式与多模态传感器（IMU、深度相机）数据融合方案，确保数据质量与可复现性。

常用场景

经典使用场景

在扩展现实技术领域，该数据集为多设备空间追踪性能评估提供了标准化测试框架。研究者通过同步采集苹果Vision Pro、Meta Quest 3等主流XR设备在特征丰富与特征缺失环境下的位姿数据，结合高精度运动捕捉系统提供的真值轨迹，系统量化不同设备的绝对位姿误差与相对位姿误差，为设备性能横向对比建立科学基准。

解决学术问题

该数据集有效解决了XR设备空间追踪精度量化评估的学术难题。通过设计严格的外参标定与时间同步流程，消除了多传感器系统固有的坐标系偏差与时间不同步问题；通过控制环境特征密度与运动模式变量，揭示了视觉-惯性组合导航系统在复杂场景中的误差产生机制，为SLAM算法优化提供了关键数据支撑。

实际应用

在工业设计与医疗培训等对空间精度要求极高的领域，该数据集指导了XR设备的选型与部署。企业可依据不同环境下的误差分布特征，选择匹配特定场景需求的设备；开发者通过分析传感器数据与追踪误差的关联性，针对性优化空间映射算法，显著提升AR导航、远程协作等应用的定位稳定性与用户体验。

数据集最近研究

最新研究方向

随着扩展现实技术向高精度应用场景的深入拓展，空间追踪性能的量化评估已成为学术界与工业界共同关注的核心议题。XR Spatial Tracking Evaluation Dataset通过构建多设备同步测试框架，为头戴式设备的位姿误差分析提供了标准化基准。当前研究聚焦于环境特征丰富度与运动模式对追踪稳定性的影响机制，结合惯性测量单元与视觉传感器的多模态数据融合分析成为前沿热点。该数据集不仅揭示了商用设备在复杂动态环境中的性能边界，更为SLAM算法优化与跨设备协同定位提供了关键数据支撑，推动沉浸式交互体验向毫米级精度迈进。