STONE Dataset

STONE是一个大规模多模态数据集，专为越野导航和3D可通行性预测设计。其关键特点包括：由全自动标注管道生成的轨迹引导3D可通行性地图；多模态环绕视角感知，包括128通道LiDAR、六个RGB摄像头和三个4D成像雷达；多样化的环境和条件，包括草地、农田、建筑工地、湖泊以及白天和夜间场景；基于地形属性（如坡度、海拔和粗糙度）的几何感知标注；以及用于单模态和多模态基线的体素级3D可通行性预测基准。STONE is a large-scale multimodal dataset specifically designed for off-road navigation and 3D traversability prediction. Its key features include: trajectory-guided 3D traversability maps generated by a fully automated annotation pipeline; multimodal surround-view perception, including 128-channel LiDAR, six RGB cameras, and three 4D imaging radars; diverse environments and conditions covering grasslands, farmlands, construction sites, lakes, as well as daytime and nighttime scenarios; geometry-aware annotations based on terrain attributes such as slope, elevation, and roughness; and voxel-level 3D traversability prediction benchmarks for both single-modal and multimodal baselines.

原始信息汇总

STONE 数据集概述

数据集名称

STONE Dataset (A Scalable Multi-Modal Surround-View 3D Traversability Dataset for Off-Road Robot Navigation)

核心定位

一个用于越野机器人导航的大规模多模态环视3D可通行性数据集。

关键特性

• 轨迹引导的3D可通行性地图：由全自动标注流程生成。
• 多模态环视感知：包含128通道激光雷达、六个RGB摄像头和三个4D成像雷达。
• 多样化的环境与条件：涵盖草地、农田、建筑工地、湖泊以及白天和夜间场景。
• 几何感知标注：基于坡度、高程和粗糙度等地形属性。
• 体素级3D可通行性预测基准：提供单模态和多模态基线。

发布与更新状态

• 最新状态：最终数据集将于2026年发布，下载将通过Google表单提供。
• 相关资源：
  • 数据集GitHub仓库：https://github.com/konyul/STONE
  • 数据集项目主页：https://konyul.github.io/STONE-dataset
  • 关联论文PDF：https://konyul.github.io/STONE-dataset/assets/paper/final_paper_compressed.pdf
• 学术认可：相关论文已被ICRA 2026接收。

搜集汇总

数据集介绍

构建方式

在野外机器人导航领域，数据集的构建需兼顾真实环境多样性与标注精确性。STONE数据集通过自动化标注流程生成轨迹引导的三维可通行性地图，该流程整合了128通道激光雷达、六台RGB相机及三台四维成像雷达的多模态环视感知数据。数据采集覆盖草地、农田、建筑工地及湖泊等多种地形，并包含昼夜不同光照条件，确保了环境与场景的广泛代表性。基于地形坡度、高程及粗糙度等几何属性，系统实现了对三维体素级可通行性的精细化标注。

特点

STONE数据集的核心特点在于其规模化的多模态环视感知与三维可通行性标注。数据集提供了由激光雷达、视觉相机与成像雷达同步采集的丰富感知流，实现了对复杂野外环境的高分辨率覆盖。其标注不仅包含传统的二维语义信息，更延伸至三维体素空间，依据地形几何属性生成可通行性地图，为导航算法提供了细粒度的地形结构理解。此外，数据集涵盖了多样化的自然环境与光照变化，为模型的泛化能力评估建立了坚实基础。

使用方法

该数据集主要服务于野外机器人三维可通行性预测任务的算法开发与性能评估。研究者可利用其提供的多模态同步数据流，开发或验证基于单一模态或融合多模态的感知模型。数据集配套的基准测试设置了体素级可通行性预测任务，用户可通过对比官方基线模型结果，客观衡量自身算法的性能。具体使用中，需遵循数据下载协议，并参考项目页面提供的工具链进行数据加载、预处理及模型训练与测试。

背景与挑战

背景概述

随着机器人技术在非结构化环境中的广泛应用，越野导航成为自主移动系统面临的核心难题之一。STONE数据集由相关研究团队于2026年构建，旨在通过大规模多模态环视感知数据，推动三维可通行性预测领域的发展。该数据集融合了128通道激光雷达、六台RGB相机及三台4D成像雷达，覆盖草地、农田、建筑工地等多种复杂地形与昼夜场景，其轨迹引导的自动化标注流程显著提升了数据标注的效率和一致性。作为ICRA 2026的接受成果，STONE为机器人导航研究提供了重要的基准资源，促进了多传感器融合与三维环境理解技术的进步。

当前挑战

在越野导航领域，准确预测三维地形的可通行性是一项关键挑战，涉及复杂的地形几何属性如坡度、高程与粗糙度的综合分析。STONE数据集针对这一难题，构建了体素级别的可通行性预测基准，但多模态传感器数据的时空对齐与标定精度仍需进一步优化。数据采集过程面临环境多样性与极端条件的制约，例如夜间低光照或动态障碍物的干扰，增加了标注的一致性与可靠性难度。此外，自动化标注流程虽提升了效率，但对地形属性的几何感知标注仍需验证其在真实场景中的泛化能力。

常用场景

经典使用场景

在野外机器人导航领域，STONE数据集为三维可通行性预测提供了关键支持。该数据集通过轨迹引导的标注流程，结合多模态环视传感器数据，能够精确刻画复杂地形下的可通行区域。研究人员利用其包含的激光雷达、相机与雷达信息，训练模型以理解地形几何属性，如坡度与粗糙度，从而在仿真与真实场景中评估导航算法的鲁棒性。

实际应用

STONE数据集的实际应用广泛覆盖农业自动化、野外勘探与灾害救援等领域。在农业机器人中，该数据集帮助系统识别农田与草地的可通行路径，优化作业效率；在勘探任务中，其多模态数据支持机器人在建筑工地或湖泊周边进行安全导航。此外，昼夜场景的多样性确保了算法在不同光照条件下的可靠性，为实际部署提供了坚实的数据基础。

衍生相关工作

围绕STONE数据集，已衍生出多项经典研究工作，主要集中在多模态融合与三维可通行性预测方向。例如，基于其基准的模型比较研究，探索了激光雷达与雷达数据的互补性；同时，结合几何感知标注的方法，推动了地形属性分析算法的创新。这些工作不仅扩展了数据集的学术影响力，还为野外机器人导航的工程实践提供了新的技术路径。