awesome-slam-datasets

这是一个收集了SLAM相关数据集的仓库，包括各种提供姿态和地图信息的数据集。数据集按类别、特性和平台进行了分类，适用于SLAM算法的研究和评估。

This repository collects datasets related to SLAM (Simultaneous Localization and Mapping), including various datasets that provide pose and map information. The datasets are categorized by type, characteristics, and platform, making them suitable for research and evaluation of SLAM algorithms.

原始信息汇总

数据集概述

数据集描述

• 目的: 收集与SLAM相关的数据集，特别关注提供姿态和地图信息的数据集。
• 链接: 数据集详情可通过Google站点查看。

数据集分类

数据集根据多个维度进行分类，包括评估方法、主题、特征、平台和环境。

评估

• 评估方法: 包括轨迹和SLAM方法的评估工具。

主题

• Odometry: 用于里程计基准的数据集。
• Mapping: 用于地图构建任务的数据集。
• Place Recognition: 提供地点对应关系（图像）的数据集。
• Localization: 用于度量级定位的数据集。
• Perception: 包含语义标签/对应关系的数据集。

特征

• Large-scale: 城市规模地图，公里级地图。
• Long-term: 多会话，长期数据收集。
• Map Complexity: 地图结构的变化。
• Extreme Condition: 极端环境，运动条件。

平台

• Vehicle (Veh): 商用车辆（四轮道路车辆）。
• Mobile robot (Mob): 移动机器人（如Husky, Rover等）。
• Unmanned Aerial Vehicle (UAV): 无人机包括无人机。
• Autonomous Underwater Vehicle (AUV): 水下机器人包括ROV。
• Unmanned Surface Vehicle (USV): 水面车辆如独木舟和船。
• Hand-held Device (Hand): 人类手持平台。

环境

• Urban: 城市、校园、城镇和基础设施。
• Indoor: 室内环境。
• Terrain: 粗糙地形、地下、湖泊和农场。
• Underwater: 水下地板、洞穴。

数据集示例

以下是部分数据集的详细信息：

Shortname	Affiliation	Year	Platform	Publication	Environment	GT-Pose	GT-Map	IMU	GPS	Labels	Lidar	Cameras	RGBD	Event	Radar	Sonar	DVL	Other
UZH-FPV Drone Racing	UZH, ETH	2019	UAV	ICRA	Indoor, Urban	O		O				O		O
Rosario Dataset	CONICET-UNR	2019	Mob	IJRR	Terrain	O		O				O						Encoder
Collaborative SLAM Dataset	Oxford	2018	Hand	TVCG/ISMAR	Indoor	O	O	O				O	O					Tango (Asus ZenFone AR)
ADVIO Dataset	Aalto U	2018	Hand	ECCV	Urban	O	O	O				O						iPhone, Tango, Pixel
DeepIO Dataset	Oxford	2018	Hand	Arxiv	Indoor	O		O
Aqualoc Dataset	ONERA-DTIS	2018	ROV	IROS WS	Underwater	O		O				O						Pressure Sensor
InteriorNet	Imperial College	2018	Hand	BMVC	Indoor	O	O	O		O		O	O	O				Texture, Lighting, Context, Optical Flow
SPO Dataset	TUM, Karlsruhe	2018	Hand	Arxiv	Urban	O						O						Plenoptic Camera
Complex Urban	KAIST-IRAP	2018	Veh	ICRA	Urban	O	O	O	O		O							Encoder
KAIST Day/Night	KAIST-RCV	2018	Veh	T-ITS	Urban	O		O	O	O	O	O						Thermal Camera
TUM-Visual-Inertial	TUM	2018	Hand	Arxiv	Indoor, Urban			O					O		O
Multi Vech Event	Upenn	2018	Veh	RA-L	Urban	O		O	O		O	O		O
VI Canoe	UIUC	2018	USV	IJRR	Terrain	O		O	O			O
MPO-Japan	ETH-RPG	2017	UAV / Hand	IJRR	Indoor	O		O				O		O
Underwater Cave	UDG	2017	AUV	IJRR	Underwater	O		O				O				O	O	Profiling Sonar
Robot @ Home	MRPT	2017	Mob	IJRR	Indoor	O	O			O	O		O					Semantic Labels
Zurich Urban MAV	ETH-RPG	2017	UAV	IJRR	Urban	O		O	O			O						Streetview images
Chilean Underground	Trimble	2017	Mob	IJRR	Terrain (Underground)	O					O	O			O			Encoder
SceneNet RGB-D	Imperial	2017	Hand	ICCV	Indoor	O				O			O
Symphony Lake	Georgia Tech	2017	USV	IJRR	Terrain (Lake)			O	O		O	O						PTZ camera, Longterm
Agricultural robot	Bonn	2017	Mob	IJRR	Terrain	O			O	O	O	O	O					Multispectral camera
Beach Rover	TEC-MMA	2017	Mob		Terrain	O		O	O		O	O	O					Encoder
EuRoC	ETH-ASL	2016	UAV	IJRR	Indoor	O	O	O				O
Cartographer	Google	2016	Hand	ICRA	Indoor			O			O	O
TUM-Mono	TUM	2016	Hand	Arxiv	Indoor, Urban										O			Photometric Calibration
Cityscape	Daimler AG	2016	Veh	CVPR	Urban	O			O	O		O
Solar-UAV	ETHZ	2016	UAV	CVPR	Terrain	O	O	O	O		O
CoRBS	DFKI	2016	Hand	WACV	Indoor	O	O						O
Oxford-robotcar	Oxford	2016	Veh	IJRR	Urban	O		O	O		O	O
NCLT	UMich	2016	Mob	IJRR	Urban	O		O	O		O							FOG
RPG-event	Kyushu U	2016	Veh	IROS	Urban, Terrain			O	O		O	O						FARO 3D
CCSAD	CIMAT	2015	Veh	CAIP	Urban			O	O			O
TUM-Omni	TUM	2015	Hand	IROS	Indoor, Urban							O
Augmented ICL-NUIM	Redwood	2015	Hand	CVPR	Indoor	O	O						O
Cambridge Landmark	Cambridge	2015	Hand	ICCV	Urban	O	O					O
ICL-NUIM	Imperial	2014	Hand	ICRA	Indoor	O	O						O
MRPT-Malaga	MRPT	2014	Veh	AR	Urban			O	O		O	O
KITTI	KIT	2013	Veh	IJRR	Urban	O		O	O	O	O	O
Canadian Planetary	UToronto	2013	Mob	IJRR	Terrain	O		O	O		O (sensor)	O
Microsoft 7 scenes	Microsoft	2013	Hand	CVPR	Indoor	O	O					O
SeqSLAM	QUT	2012	Veh	ICRA	Urban					O		O
ETH-challenging	ETH-ASL	2012	Hand	IJRR	Urban, Terrain			O	O		O	O	O
TUM-RGBD	TUM	2012	Hand / Mob	IROS	Indoor	O		O					O
ASRL-Kagara-airborne	UToronto	2012	UAV	FSR	Terrain			O	O			O
Devon Island Rover	UToronto	2012	Mob	IJRR	Terrain	O			O			O						Sunsensor, Inclinometer
ACFR Marine	ACFR	2012	AUV		Underwater	O		O		O		O				O
UT

搜集汇总

数据集介绍

构建方式

该数据集是一个关于SLAM（同步定位与地图构建）相关数据的集合，精选了提供位姿和地图信息的多个数据集。这些数据集被分类整理，并以简化的图表形式呈现。用户可以通过项目页面访问完整的图表（由谷歌表格制作）。数据集的构建主要基于各种平台（如车辆、移动机器人、无人机等）在不同环境（如城市、室内、 rough terrain等）中收集的数据，涵盖了从2010年至2019年间的研究成果。

特点

数据集的特点在于其多样性，不仅包含了不同年份的研究数据，还涉及了多种平台和环境。此外，数据集提供了详细的分类，包括用于里程计、建图、位置识别、定位、感知等任务的数据集。每一类数据集都有其独特的应用场景，如大规模地图、长期数据收集、复杂的地图结构、极端条件等。部分数据集还提供了语义标签、多传感器数据等丰富信息。

使用方法

用户可以通过访问数据集的GitHub页面或相关网站来了解每个数据集的具体信息和使用方法。数据集的使用通常包括数据下载、预处理、以及后续的SLAM算法评估等步骤。对于每个数据集，用户应当参考其提供的文档和工具来正确使用数据，例如，了解数据集的文件格式、工具箱支持、评估方法等。

背景与挑战

背景概述

awesome-slam-datasets是一个收集了与SLAM（同步定位与地图构建）相关的多种数据集的仓库。该数据集由多个研究人员和机构共同创建和维护，旨在为SLAM算法的研究和评估提供丰富的数据资源。自2019年以来，该数据集在ICRA等国际会议上展示了其重要性和影响力，成为该领域内的重要研究工具。

当前挑战

该数据集在构建过程中遇到的挑战主要包括：1) 如何在众多SLAM数据集中筛选出具有代表性的数据集；2) 如何确保数据集的质量和多样性，以适应不同的研究和应用需求；3) 如何提供有效的数据集评估方法，以便研究人员能够准确评估SLAM算法的性能。此外，数据集的领域问题，即如何提高SLAM算法在复杂环境下的性能和鲁棒性，也是当前研究的一大挑战。

常用场景

经典使用场景

awesome-slam-datasets数据集是SLAM（同步定位与映射）领域的重要资源库，其经典使用场景主要集中于机器人导航、自动驾驶车辆的环境感知、增强现实与虚拟现实中的空间定位等方面。该数据集通过提供丰富的地图和位姿信息，使得研究人员可以在真实世界的复杂数字环境中进行算法训练和性能评估。

实际应用

在实际应用中，awesome-slam-datasets数据集的应用场景广泛，包括无人驾驶车辆的导航与避障、机器人在未知环境中的自主探索与任务执行、以及虚拟现实和增强现实中的应用，如室内定位和地图构建等。这些应用不仅提升了自动化水平和用户体验，也推动了相关产业的发展。

衍生相关工作

基于awesome-slam-datasets数据集，衍生出了众多相关的工作，包括但不限于各种SLAM算法的实现与优化、跨平台的数据集成与处理方法、以及针对特定应用场景的定制化解决方案。这些工作进一步扩展了SLAM技术的应用范围，并推动了相关领域的创新。