NavSR

NavSR是一个专为办公大楼和社区场景中服务机器人设计的多模态导航数据集。它提供严格同步和几何校准的多传感器数据，包括立体RGB和灰度图像、事件视觉、旋转和固态激光雷达扫描、消费级和工业级IMU系列以及轮式里程计。数据集包含24个序列，覆盖15.9公里轨迹，涵盖光照变化、低纹理、长走廊、狭窄通道和动态物体等挑战性条件。提供基于预建测量地图的高精度定位地面真值、细粒度语义标注和深度图地面真值。

NavSR is a multimodal navigation dataset specifically designed for service robots in office building and community scenarios. It provides strictly synchronized and geometrically calibrated multi-sensor data, including stereo RGB and grayscale images, event vision, spinning and solid-state LiDAR scans, consumer-grade and industrial-grade IMU suites, as well as wheel odometry. The dataset contains 24 sequences covering a total trajectory of 15.9 kilometers, and encompasses challenging conditions such as illumination variations, low-texture areas, long corridors, narrow passages and dynamic objects. High-precision positioning ground truth based on pre-built survey maps, fine-grained semantic annotations and depth map ground truth are provided.

原始信息汇总

NavSR数据集概述

数据集简介

NavSR是一个面向服务机器人的多模态导航数据集，提供全面的地面真值数据。该数据集专门针对大型办公楼和室外社区场景中的服务机器人应用而设计。

主要特点

• 多传感器配置：集成立体RGB和灰度相机、立体模拟事件视觉、旋转和MEMS激光雷达、双精度IMU以及轮式里程计
• 高质量地面真值：提供厘米级定位精度、细粒度语义分割标注和精确的激光雷达投影密集深度图
• 多样化场景：包含24个序列，覆盖15.9公里轨迹，涵盖光照变化、低纹理、长走廊、狭窄通道和动态物体等挑战性条件

传感器配置

视觉传感器

• 立体灰度相机：DALSA M1930，40Hz/10Hz，全局快门，≤5ms曝光，1920×1200/960×600分辨率
• 立体RGB相机：DALSA C1930，40Hz/10Hz，全局快门，≤10ms曝光，1920×1200/960×600分辨率
• 立体事件相机：v2e模拟器，960×600分辨率，与DALSA对齐

激光雷达

• 旋转激光雷达：Velodyne VLP16，10Hz，16通道，360°×30°视场
• MEMS激光雷达：Livox AVIA，10Hz，非重复扫描，70°×77°视场

惯性测量单元

• 消费级IMU：BMI088，200Hz，6轴，Livox内置
• 工业级INS：Xsens Mti-680G，400Hz，9轴，带方向信息

其他传感器

• 轮式里程计：Scout V1.0，200Hz，四轮驱动，3轴，1024线编码器
• 3D测量扫描仪：Leica RTC360，用于地面真值生成

数据序列统计

室内场景（办公楼）

• 10个序列：I_1010_00至I_1017_04
• 总长度：约6.3公里
• 挑战条件：夜间、低光照、HDR、急转弯、轮子打滑、动态物体

室外场景（社区区域）

• 14个序列：O_1008_00至O_1017_06
• 总长度：约9.6公里
• 挑战条件：HDR、狭窄路径、运动场、人群、动态物体

地面真值数据

轨迹地面真值

• 基于地图的地面真值生成方法
• 使用Leica RTC360扫描仪进行测绘
• 社区场景214个扫描站，办公楼场景129个扫描站
• 厘米级全局精度

深度图

• 使用VLP-16和Livox Avia激光雷达构建
• 覆盖室内外场景
• 超过24,000帧半密集深度图像

语义标注

• 细粒度语义分割标注
• 涵盖多种典型语义类别
• 提供实例样本可视化

算法评估支持

数据集支持以下算法的评估：

SLAM算法

• 传统SLAM：ORB-SLAM3、VINS-Mono、LOAM、FAST-LIO2等
• 神经和3DGS-based SLAM：Photo-SLAM、GO-SLAM、PIN-SLAM等
• 事件-based SLAM：ORB-SLAM3+ESVO2、PL-EVIO、ESVIO

感知算法

• 深度估计：SimIPU、BinsFormer、DepthFormer、DPT等
• 语义分割：FCN、U-Net、DeepLab、PSPNet、UperNet等

数据下载

• 百度网盘：https://pan.baidu.com/s/17-IzK49Z2jUOLf9CnDvGkg?pwd=6xh6
• OneDrive：https://1drv.ms/f/c/9cfa2a0dfa619718/EhFkvDP4uO1LqjM0d6yIbMwBddjVVNnTQMi8SsH7KmQl4g?e=5fDaKR

同步与校准

• 硬件触发和定时板实现时间同步
• MATLAB标定工具箱用于相机内外参标定
• Allan方差分析用于IMU内参标定
• Kalibr工具箱用于相机-IMU外参标定
• 自开发工具箱用于相机-激光雷达标定

搜集汇总

数据集介绍

构建方式

在服务机器人导航研究领域，NavSR数据集通过精心设计的多传感器平台构建而成。该平台集成了立体RGB与灰度相机、旋转式与固态激光雷达、消费级与工业级惯性测量单元以及轮式里程计等多种传感器。采用定制硬件触发板与PTP网络实现毫秒级时间同步，通过MATLAB标定工具箱实现相机内外参数标定，平均重投影误差低于0.1像素。利用牛津机器人研究所开发的艾伦方差工具包进行IMU内参标定，基于20小时静态数据估计噪声密度与随机游走参数。最终形成24个数据序列，覆盖室内办公大楼与室外社区场景，总轨迹长度达15.9公里。

特点

NavSR数据集在服务机器人导航领域展现出显著的技术特色。其多模态传感器配置包含全局快门的立体视觉系统、非重复扫描模式的MEMS激光雷达以及事件视觉模拟器，能够应对光照变化、低纹理环境等复杂场景。数据集提供厘米级精度的地图基准定位，基于Leica RTC360扫描仪构建的高精度地图确保了定位真值的可靠性。同时包含细粒度语义分割标注与激光雷达投影的稠密深度图，涵盖超过2.4万帧半稠密深度图像。数据序列设计充分考虑实际应用场景，包含长走廊、狭窄通道、动态障碍物等具有挑战性的环境条件。

使用方法

针对服务机器人导航算法的评估需求，NavSR数据集提供了完整的使用框架。数据以ROS包格式组织，包含VLIO包（图像、点云与IMU数据）、LIO包（无图像数据）以及ESVIO包（事件流数据）。研究者可通过提供的传感器内外参数实现精确的多传感器融合，利用时间戳文件实现数据对齐。数据集支持传统SLAM、神经辐射场SLAM、事件SLAM等多种算法评估，同时适用于深度估计与语义分割任务。配置文件中包含已在数据集上测试的算法参数，便于研究者进行对比实验与性能验证。数据下载可通过百度云盘或OneDrive获取，满足不同地区用户的使用需求。

背景与挑战

背景概述

随着服务机器人在大型办公建筑和社区场景中的广泛应用，可靠的多模态感知数据成为推动自主导航算法发展的关键。NavSR数据集由机器人研究团队于2022年创建，通过整合立体视觉、事件相机、多类型激光雷达与惯性测量单元等异构传感器，构建了覆盖15.9公里轨迹的24组序列数据。该数据集针对室内外复杂环境中的同步定位与建图、语义感知等核心问题，提供了厘米级精度的测绘地图真值、细粒度语义标注与深度图数据，为多传感器融合算法建立了新的基准。

当前挑战

在服务机器人导航领域，传统数据集常受限于传感器类型单一与真值精度不足，难以支撑新型算法在光照突变、低纹理长廊等复杂场景下的鲁棒性验证。NavSR在构建过程中面临多源传感器时空同步的技术难题，需通过定制硬件触发板与精密标定实现微秒级同步。数据采集时还需克服动态障碍物干扰、轮式机器人打滑等实际工况挑战，同时保持激光雷达点云与视觉数据在长距离轨迹中的几何一致性。

常用场景

经典使用场景

在服务机器人自主导航领域，NavSR数据集凭借其多模态传感器配置和厘米级精度的地面真值，成为评估同步定位与建图算法的理想平台。该数据集覆盖15.9公里室内外轨迹，包含弱光照、低纹理长廊等复杂场景，为传统视觉惯性里程计、激光雷达SLAM以及新兴神经辐射场SLAM提供了标准化测试环境。通过严格时间同步的立体视觉、事件相机与多类型激光雷达数据，研究者能够系统性验证多传感器融合算法在动态环境中的鲁棒性。

实际应用

在智慧社区与办公楼宇场景中，NavSR支持的服务机器人可实现全天候物资配送与安防巡检。其多模态数据架构助力开发者在卫星信号缺失环境下构建鲁棒导航系统，其中工业级IMU与轮式里程计的组合为长时间运行提供漂移校正依据。语义标注数据进一步推动场景理解应用，如通过识别办公设备与建筑结构实现智能路径规划，而事件相机的低延迟特性则显著提升机器人对突发动态障碍的响应能力。

衍生相关工作

基于NavSR衍生的经典研究涵盖多维度算法创新。在SLAM领域，FAST-LIVO2与R3LIVE等融合算法通过该数据集验证了视觉-激光-惯性紧耦合的优越性；神经渲染方向则催生了GS-LIVM等高斯溅射模型在动态场景的重建研究。语义感知方面，AFFormer与DepthFormer等网络利用其精细标注推进了实时分割与深度估计的联合优化，而PL-EVIO等事件视觉SLAM系统则借助同步事件流突破了传统视觉在高速运动下的性能瓶颈。