DotsonEast Dataset

DotsonEast Dataset是由瑞典皇家理工学院在West Antarctica使用自主水下车辆创建的半合成多波束声纳注册数据集。该数据集包含9415个子地图，用于系统评估2种经典和4种基于学习的方法。数据集通过随机变换生成子地图对，以创建具有不同重叠百分比的子地图对，从而支持多样化的评估需求。该数据集旨在解决水下多波束声纳点云注册的挑战，特别是在缺乏地面实况和数据敏感性方面的问题。

The DotsonEast Dataset is a semi-synthetic multi-beam sonar registration dataset developed by the KTH Royal Institute of Technology using Autonomous Underwater Vehicles (AUVs) in West Antarctica. It contains 9,415 submaps, and is utilized for the systematic evaluation of 2 classical and 4 learning-based methods. Submap pairs are generated via random transformations within this dataset to create pairs with varying overlap percentages, thereby supporting diverse evaluation requirements. This dataset aims to address the challenges in underwater multi-beam sonar point cloud registration, particularly those stemming from the lack of ground truth and data sensitivity issues.

搜集汇总

数据集介绍

构建方式

在海洋测绘领域，获取高质量的多波束声呐点云数据面临采集成本高昂与地面真值缺失的双重挑战。DotsonEast数据集的构建采用了半合成策略，以解决这一难题。该数据集源自2022年南极洲西部多森冰架前缘由AUV采集的原始多波束勘测数据。通过将连续声呐脉冲分组为子图，并设计80%的重叠步长，生成了9415个子图。为模拟真实导航中的位姿不确定性，研究对子图独立施加了随机裁剪与刚性变换，其中旋转限于Z轴，平移则根据AUV典型误差模型在XY平面设置较大范围，从而合成了具有已知地面真值变换的注册对，有效保留了真实海底地形中的噪声与非均匀点分布特性。

使用方法

该数据集为核心的水下点云注册研究提供了系统性的评估框架。研究者可利用其训练与测试划分，对各类经典与学习型注册算法进行性能评测。数据集配套提供了一整套多维度的评估指标，包括针对海底地图一致性的传统误差度量、直接衡量变换精度的相对旋转与平移误差，以及适用于特征匹配方法的特征匹配召回率。使用流程通常涉及加载预处理的子图对，应用注册算法估计变换矩阵，随后利用提供的地面真值计算各项指标。其半合成特性使得算法能够在保留真实数据分布的同时，享受精确监督信号带来的优势，特别适用于验证学习型方法从合成或其它领域数据迁移到真实水下场景的泛化能力。

背景与挑战

背景概述

DotsonEast Dataset 是由瑞典皇家理工学院、格拉茨技术大学等机构的研究团队于2022年创建的半合成多波束点云配准数据集，旨在解决水下自主航行器（AUV）在复杂海洋环境中进行高精度地形测绘时的点云配准难题。该数据集基于南极洲西部 Dotson 冰架前沿的实地勘测数据，通过自主水下航行器搭载的多波束回声测深仪采集，涵盖了138公里的海底地形信息。其核心研究问题聚焦于多波束点云的精确配准，为水下同步定位与地图构建（SLAM）提供了关键数据支持，推动了水下机器人感知与导航领域的发展，成为首个公开的、专门用于评估经典与学习型多波束点云配准方法的基准数据集。

当前挑战

DotsonEast Dataset 面临的挑战主要体现在两个方面：在领域问题层面，多波束点云配准需应对水下地形缺乏显著地标特征、点云噪声高且分布不均匀、以及低重叠率（如10%）下的配准精度下降等难题，这些因素使得传统迭代最近点算法在初始对齐不佳时易失效，而学习型方法则需克服领域适应性不足的问题。在构建过程中，挑战包括水下数据采集成本高昂、敏感性强导致开源数据稀缺，以及缺乏真实地面真值变换，研究团队通过半合成方法生成变换标签，但需平衡数据真实性与合成偏差，同时确保训练与测试集的地理分隔以避免数据泄露，这增加了数据处理的复杂性。

常用场景

经典使用场景

在水下机器人测绘领域，多波束声呐点云配准是构建高精度海底地形图的核心环节。DotsonEast Dataset作为首个公开的大规模半合成多波束点云配准数据集，其经典使用场景在于系统性地评估与比较经典算法与学习算法在真实水下环境中的配准性能。该数据集通过模拟自主水下航行器在西南极洲多森冰架前缘的实际作业条件，生成了具有不同重叠率的子图对，为研究者提供了标准化的测试平台，用以分析算法在不同重叠比例下的鲁棒性与精度，尤其关注低重叠率这一水下测绘常见挑战。

解决学术问题

该数据集有效解决了水下多波束点云配准研究长期面临的两大难题：公开数据稀缺与真实配准真值缺失。传统研究多依赖封闭数据与间接评估指标，阻碍了算法公平比较与迭代发展。DotsonEast Dataset通过半合成方法，在保留真实海底点云噪声与非均匀分布特性的同时，提供了精确的刚性变换真值，使得直接计算旋转与平移误差成为可能。这为学术界首次系统评估广义迭代最近点算法与多种前沿深度学习模型在多波束数据上的表现奠定了基础，揭示了学习模型在粗配准与经典算法在精配准方面的互补优势。

实际应用

在实际应用中，DotsonEast Dataset直接服务于提升自主水下航行器的同步定位与地图构建能力。基于多波束声呐的SLAM系统依赖于子图间的闭环检测与配准来校正航位推算累积误差。该数据集通过模拟真实任务中因导航误差导致的低重叠与初始位姿偏差场景，为开发鲁棒的配准流水线提供了关键数据支撑。例如，研究结果表明可采用Predator等学习模型进行初始粗配准，再结合广义迭代最近点算法进行精细调整，这一混合策略可显著提升复杂海底地形下AUV长航时测绘的全局一致性。

数据集最近研究

最新研究方向

在海洋机器人学与水下测绘领域，DotsonEast数据集作为首个公开的基于自主水下航行器多波束点云半合成配准数据集，正推动水下三维点云配准技术的前沿探索。该数据集聚焦于南极洲冰架前缘的复杂海底地形，为经典方法与学习型方法提供了系统性对比基准，揭示了在低重叠率场景下广义迭代最近点算法在精细配准中的鲁棒性优势，以及学习型方法如Predator和FCGF在粗配准中的高成功率潜力。当前研究热点集中于结合两者优势的级联配准框架，旨在提升水下同步定位与建图系统的精度与效率，同时促进跨传感器域的特征泛化能力，为极地科学考察与深海资源勘探提供关键技术支撑。

相关研究论文

• Benchmarking Classical and Learning-Based Multibeam Point Cloud Registration

  瑞典皇家理工学院 · 2024年