EUFS Autonomous Datasets

由EUFS团队在开发自主方程式学生赛车时收集的数据集集合。所有数据集采用rosbag格式，可直接在ROS中使用。此外，原始数据可以使用[bag_tools](http://wiki.ros.org/bag_tools)提取。仓库还包括数据集中使用的自定义ROS消息。

A collection of datasets gathered by the EUFS team during the development of an autonomous Formula Student racing car. All datasets are in rosbag format and can be directly utilized in ROS. Furthermore, the raw data can be extracted using [bag_tools](http://wiki.ros.org/bag_tools). The repository also includes custom ROS messages used in the datasets.

原始信息汇总

EUFS Autonomous Datasets 概述

数据集内容

1. Sanderson car park

   • 收集地点：Sanderson 停车场
   • 数据类型：单圈和双圈记录
   • 下载链接：
     • 单圈数据：下载
     • 双圈数据：下载

2. FS-AI 2018 Dataset

   • 收集地点：FSUK 2018
   • 数据类型：代表性传感器输入
   • 下载链接：下载

传感器数据详情

Sanderson car park

• IMU数据：10Hz，来自X-Sens MTi-G，包含6自由度数据和方向数据。
• 磁力计数据：10Hz，来自X-Sens MTi-G。
• GPS数据：10Hz，来自X-Sens MTi-G，可靠性低。
• Velodyne VLP-16激光雷达数据：10Hz，提供全360度数据，需过滤测试平台。
• ZED相机图像数据：30Hz，分辨率为672 x 376。
• 视觉里程计数据：30Hz，来自ZED相机，表现良好。
• 3D点云数据：30Hz，来自ZED相机，轻微过滤。
• TF转换数据：30Hz，包含odom到base_link的转换。
• 静态TF转换数据：一次性发布，包含所有传感器的转换。

FS-AI 2018 Dataset

• IMU数据：167Hz，来自X-Sens MTi-G，包含6自由度数据和方向数据。
• 磁力计数据：167Hz，来自X-Sens MTi-G。
• GPS数据：167Hz，来自X-Sens MTi-G，实际变化频率为10Hz，可靠性低。
• Velodyne VLP-16激光雷达数据：10Hz，提供全360度数据，需过滤车轮。
• 车辆速度数据：167Hz，来自X-Sens MTi-G，实际变化频率为10Hz。
• ZED相机图像数据：32Hz，分辨率为672 x 376。
• 视觉里程计数据：32Hz，来自ZED相机，因相机位置不佳而无效。
• 车辆状态和轮速数据：100Hz，来自车辆ECU，提供轮速和转向反馈。

注意事项

• Sanderson car park：IMU数据因输出频率低而不可用，测试地面不平坦。
• FS-AI 2018 Dataset：数据收集不完全，因时间和设备限制。转向反馈实际频率仅为1Hz，需谨慎使用。高帧率相机数据未记录，因硬件带宽不足。视觉里程计因相机视野问题无效。GPS数据未经验证。轮速里程计因转向反馈问题未能正常工作，未来应改进至100Hz输出。

搜集汇总

数据集介绍

构建方式

EUFS Autonomous Datasets 是由 EUFS 团队在开发自动驾驶 Formula Student 赛车过程中收集的一系列数据集。数据以 ROS（机器人操作系统）的 rosbag 格式存储，可直接在 ROS 环境中使用。数据集包含多个传感器数据，如 IMU、GPS、激光雷达和双目摄像头等，涵盖了车辆在停车场和 FSUK 2018 比赛中的实际行驶数据。数据采集过程中，传感器被精确安装在车辆的特定位置，以确保数据的准确性和一致性。

特点

该数据集的特点在于其多样性和高精度。数据集包含了来自 X-Sens MTi-G 的 IMU 数据、Velodyne VLP-16 的激光雷达点云数据以及 ZED 摄像头的视觉数据。IMU 数据提供了车辆的姿态和加速度信息，激光雷达数据则提供了 360 度的环境感知能力。此外，ZED 摄像头的视觉数据支持高分辨率的图像采集和视觉里程计计算。数据集还包含了自定义的 ROS 消息类型，便于用户直接集成到现有的 ROS 系统中。

使用方法

用户可以通过 ROS 直接加载 rosbag 文件，利用 ROS 提供的工具进行数据回放和分析。对于非 ROS 用户，可以使用 bag_tools 工具提取原始数据。数据集中的自定义 ROS 消息类型可以直接用于 ROS 环境中的传感器数据解析和处理。用户可以根据需要选择特定的传感器数据进行研究，如 IMU 数据用于姿态估计，激光雷达数据用于环境建模，或摄像头数据用于视觉 SLAM 等任务。

背景与挑战

背景概述

EUFS Autonomous Datasets是由EUFS团队在开发自动驾驶学生方程式赛车过程中收集的一系列数据集。该数据集主要用于自动驾驶技术的研究与开发，涵盖了多种传感器数据，包括IMU、GPS、激光雷达和双目相机等。数据集以ROS格式存储，便于在机器人操作系统（ROS）中直接使用。EUFS团队通过在不同场景下收集数据，旨在为自动驾驶算法的验证与优化提供高质量的真实世界数据。该数据集不仅为学术界提供了宝贵的研究资源，也为工业界的自动驾驶技术发展提供了重要支持。

当前挑战

EUFS Autonomous Datasets在构建和使用过程中面临多重挑战。首先，传感器数据的同步与校准问题尤为突出，尤其是在多传感器融合的场景下，如何确保数据的时间一致性和空间对齐是一个技术难点。其次，数据采集过程中由于设备限制和环境因素，部分传感器数据（如IMU和GPS）的频率和精度未能达到预期，影响了数据的可用性。此外，视觉里程计由于相机位置不当，导致部分数据无法有效用于定位与建图任务。最后，数据集的完整性和代表性也受到采集时间和设备故障的限制，部分场景下的数据未能充分覆盖，限制了其在复杂环境下的应用潜力。

常用场景

经典使用场景

EUFS Autonomous Datasets 数据集在自动驾驶领域的研究中具有重要价值，尤其是在Formula Student Autonomous竞赛中。该数据集通过ROS格式提供了丰富的传感器数据，包括IMU、激光雷达、摄像头等，能够直接用于ROS环境中的算法开发和测试。研究人员可以利用这些数据来验证和优化自动驾驶车辆的感知、定位和路径规划算法，特别是在复杂环境下的表现。

解决学术问题

该数据集解决了自动驾驶研究中多个关键问题，如多传感器数据融合、环境感知、定位精度等。通过提供高精度的IMU数据、激光雷达点云和视觉里程计信息，研究人员能够深入分析车辆在不同环境下的动态行为，并开发出更加鲁棒的自动驾驶算法。此外，数据集中的传感器配置和标定信息也为多传感器融合算法的研究提供了宝贵的参考。

衍生相关工作

基于EUFS Autonomous Datasets，许多经典研究工作得以展开。例如，研究人员利用该数据集开发了基于多传感器融合的定位算法，显著提高了车辆在复杂环境中的定位精度。此外，该数据集还被用于研究基于深度学习的感知算法，特别是在点云处理和视觉里程计方面的应用。这些研究工作不仅推动了自动驾驶技术的发展，也为后续的研究提供了重要的参考。