M2DGR

M2DGR是一个多模态和多场景的地面机器人SLAM数据集，包含丰富的传感器信息，如视觉、激光雷达、IMU、GNSS、事件、热红外图像等，并涵盖了电梯、街道、房间、大厅等多种真实环境场景。该数据集对现有SLAM算法构成挑战，是测试新提出的SLAM算法的理想基准。

M2DGR is a multimodal and multi-scenario ground robot SLAM dataset, encompassing a wealth of sensor information such as visual, LiDAR, IMU, GNSS, event, and thermal infrared images, among others. It covers a variety of real-world environmental scenarios including elevators, streets, rooms, and halls. This dataset poses a challenge to existing SLAM algorithms and serves as an ideal benchmark for testing newly proposed SLAM algorithms.

原始信息汇总

M2DGR数据集概述

数据集名称

• M2DGR：a Multi-modal and Multi-scenario SLAM Dataset for Ground Robots

主要作者

• Jie Yin 殷杰

数据集特点

1. 丰富的传感器信息：包括视觉、激光雷达、IMU、GNSS、事件、热红外图像等。
2. 多样的场景：涵盖电梯、街道、房间、大厅等真实环境。
3. 对现有SLAM算法的挑战：如LIO-SAM和ORB-SLAM3等。
4. 广泛的开源项目支持：如Ground-Fusion、LVI-SAM-Easyused等。

数据集内容

• 传感器配置：

  • LIDAR：Velodyne VLP-32C，360度水平视野，10Hz，最大范围200米。
  • RGB相机：FLIR Pointgrey CM3-U3-13Y3C-CS，鱼眼镜头，1280*1024分辨率，190度视野。
  • GNSS：Ublox M8T，GPS/BeiDou，1Hz。
  • 红外相机：PLUG 617，640*512分辨率，90.2度水平视野。
  • V-I传感器：Realsense d435i，RGB/深度640*480，69度水平视野。
  • 事件相机：Inivation DVXplorer，640*480分辨率，15Hz。
  • IMU：Handsfree A9，9轴，150Hz。
  • GNSS-IMU：Xsens Mti 680G，GNSS-RTK，定位精度2cm，100Hz。

• 数据集序列：

  • 场景：街道、圆形、门、步行、大厅、门、电梯、房间、黑暗房间。
  • 数量：共36个序列。
  • 大小：约1TB。
  • 持续时间：总时长约13688秒。
  • 距离：总距离约10708.67米。

数据集使用

• 许可证：MIT许可证，仅供学术目的使用。
• 引用：如在学术工作中使用，请引用相关文献。

数据集更新

• 2024/05/16：更新了一系列基于M2DGR的优秀项目列表。
• 2024/03/05：多个前沿SLAM系统已在M2DGR上测试。
• 2024/02/22：新论文被ICRA2024接受，数据集为M2DGR-plus和Ground-Challenge。

数据集链接

• 主数据集：M2DGR
• 数据集扩展：M2DGR-plus
• 挑战数据集：Ground-Challenge
• SJTU-GVI：SJTU-GVI

搜集汇总

数据集介绍

构建方式

M2DGR数据集通过配备多种传感器（包括六台鱼眼相机、一台红外相机、一台事件相机、一台视觉惯性传感器、一台惯性测量单元、一台激光雷达、一台消费级全球导航卫星系统接收器和一台GNSS-IMU导航系统）的地面机器人进行数据采集。所有传感器均经过精确校准和同步，确保数据记录的同步性。数据集包含36个序列，涵盖室内外多种复杂场景，总数据量约为1TB。通过运动捕捉设备、激光3D追踪器和RTK接收器获取地面真实轨迹，为算法评估提供了可靠的基准。

特点

M2DGR数据集的显著特点在于其多模态和多场景的特性。数据集不仅包含了丰富的传感器信息，如视觉、激光雷达、IMU、GNSS等，还涵盖了从街道、房间到大厅等多种真实世界环境。这些数据为现有最先进的SLAM算法带来了极大的挑战，尤其是在电梯、完全黑暗等极端条件下，现有算法表现不佳。此外，数据集的开放性和广泛的应用案例，使其成为评估和开发新型SLAM算法的理想平台。

使用方法

M2DGR数据集的使用方法包括下载数据集、配置文件和开发工具包。用户可以通过提供的ROSbag文件获取传感器数据，并使用配置文件进行算法测试和评估。开发工具包提供了图像提取、评估和校准等功能，帮助用户快速上手。此外，数据集还提供了多种现有SLAM算法的配置文件，方便用户进行对比实验。对于学术研究，建议在使用数据集时引用相关文献，以确保研究的透明性和可重复性。

背景与挑战

背景概述

M2DGR数据集是由上海交通大学视觉系统实验室（SJTU-ViSYS）的殷杰博士及其团队于2021年创建的，旨在为地面机器人提供一个多模态和多场景的同步定位与地图构建（SLAM）数据集。该数据集整合了多种传感器数据，包括视觉、激光雷达、惯性测量单元（IMU）、全球导航卫星系统（GNSS）、事件相机和热红外图像等，涵盖了室内外多种复杂环境，如电梯、街道、大厅和房间等。M2DGR的发布填补了地面机器人领域在多模态数据集方面的空白，为研究者提供了一个全面的基准，以评估和改进现有的SLAM算法。

当前挑战

M2DGR数据集在构建过程中面临了多重挑战。首先，多模态数据的同步和校准是一个复杂的过程，需要精确的时间戳和传感器间的几何校准。其次，数据集涵盖了多种复杂场景，如电梯、完全黑暗的环境等，这些场景对现有的SLAM算法提出了严峻的挑战。此外，数据集的规模庞大，处理和存储这些数据需要高效的计算资源和存储解决方案。最后，如何确保数据集的广泛适用性和持续更新，以反映SLAM领域的最新进展，也是一个重要的挑战。

常用场景

经典使用场景

M2DGR数据集在多模态和多场景的SLAM算法研究中具有经典应用。其丰富的传感器信息，包括视觉、激光雷达、IMU、GNSS等，使得该数据集成为评估和开发新型SLAM算法的理想平台。特别是在复杂环境如电梯、街道、大厅等场景中，M2DGR提供了详尽的数据支持，帮助研究人员测试和优化算法在不同条件下的表现。

衍生相关工作

基于M2DGR数据集，已经衍生出多项经典工作。例如，Ground-Fusion系统利用M2DGR-Plus数据集开发了一种低成本且鲁棒的地面SLAM系统，显著提升了在复杂环境中的定位精度。此外，还有多个SLAM模块和系统，如LinK3D、VoxelMap++等，均在M2DGR数据集上进行了验证和优化，进一步推动了多模态SLAM技术的发展。

数据集最近研究

最新研究方向

在多模态和多场景的SLAM（同步定位与地图构建）领域，M2DGR数据集因其丰富的传感器信息和多样化的环境场景而备受关注。最新研究方向主要集中在利用M2DGR数据集进行多传感器融合的SLAM算法优化，特别是在复杂动态环境中的鲁棒性和精确性提升。相关研究热点包括多机器人系统的分布式SLAM、基于深度学习的LiDAR-视觉SLAM以及在极端条件下的定位与地图构建。这些研究不仅推动了SLAM技术在实际应用中的性能提升，也为智能机器人和自动驾驶等领域提供了重要的技术支持。