CorVS

CorVS数据集是用于在现实世界的仓库环境中进行人员识别的数据集。该数据集包含了实际仓库操作中工作人员的轨迹和传感器测量数据。数据集的创建旨在解决在工业环境中，仅通过视觉数据难以识别个体的问题。数据集的应用领域包括提高工作效率、任务分配、模拟优化等。通过分析视觉跟踪轨迹和传感器测量数据之间的对应关系，CorVS数据集能够帮助识别在视频中佩戴传感器的人员。

The CorVS dataset is a specialized dataset designed for person identification tasks in real-world warehouse environments. It contains trajectory data and sensor measurement data of workers collected during actual warehouse operations. This dataset was developed to address the challenge of individual identification when relying solely on visual data in industrial settings. Its application domains include improving work efficiency, task allocation, simulation optimization, and more. By analyzing the correspondence between visual tracking trajectories and sensor measurement data, the CorVS dataset enables the identification of personnel wearing sensors in video footage.

搜集汇总

数据集介绍

构建方式

在物流仓库的实际作业环境中，CorVS数据集的构建融合了多模态数据采集技术。研究团队通过部署19台顶置广角摄像机，以5帧/秒的速率持续记录工人活动轨迹，同时利用智能手机内置惯性传感器收集加速度、角速度等运动数据。为保障数据标注质量，工作人员身着具有独特颜色编码的背心，结合YOLOv8检测模型与ByteTrack多相机追踪算法生成初始轨迹，再通过人工校验完成身份标签的精确标注。该数据集覆盖了包括物品检验、搬运分拣等真实仓储作业场景，有效捕捉了复杂运动模式与多人协同作业的动态特征。

使用方法

该数据集的应用需遵循多阶段处理流程。研究者首先应对视觉轨迹与传感器数据进行高斯滤波与10赫兹重采样预处理，随后通过滑动时间窗口提取数据片段输入深度学习模型。模型采用双路径卷积-Transformer混合架构，可同步输出轨迹-传感器对的关联概率与活动可靠性评分。在身份匹配阶段，算法基于概率阈值与可靠性阈值动态筛选有效数据段，采用增量式关联策略处理多人静止、临时离场等实际场景。值得注意的是，该方法支持非全员佩戴传感器的灵活配置，且通过延迟决策机制应对协同运动带来的匹配不确定性，最终输出带身份标签的绝对位置信息。

背景与挑战

背景概述

随着工业数字化转型浪潮的推进，物流仓储领域对工人定位数据的需求日益凸显。2025年由名古屋大学团队发布的CorVS数据集，聚焦于通过视频轨迹与传感器数据的关联实现人员身份识别。该数据集在真实仓库环境中采集了29名工人执行入库作业时的多模态数据，涵盖搬运、分拣等实际作业场景，为工业环境下的身份感知定位研究提供了重要基准。其创新性在于突破了传统视觉识别对外观特征的依赖，通过融合惯性传感器与视觉轨迹数据，为复杂工业场景中的人员管理优化开辟了新路径。

当前挑战

该数据集致力于解决工业场景中基于多模态数据的人员身份识别难题，其核心挑战在于如何有效关联非同步采集的视觉轨迹与传感器数据。在构建过程中面临三大挑战：首先，真实仓库环境中存在大量协调性群体运动，导致轨迹特征高度相似；其次，工人长时间静止作业使得运动特征提取困难，需设计活动可靠性评估机制；最后，多相机系统的时序同步误差与视觉追踪中断现象，对数据对齐精度提出了极高要求。

常用场景

经典使用场景

在物流仓储环境中，CorVS数据集通过融合固定摄像头轨迹与可穿戴传感器数据，实现了对工作人员的身份识别。该数据集典型应用于多摄像头覆盖的工业场景，通过深度学习模型分析运动速度、转向率与惯性测量单元数据的对应关系，有效解决了传统视觉识别在俯视角度下特征缺失的难题。其数据采集方案特别针对仓库作业中频繁发生的蹲姿搬运、协同移动等复杂动作进行了优化设计。

解决学术问题

该数据集突破了传统行人再识别方法在工业场景中的局限，通过建立视觉轨迹与传感器测量的跨模态关联，解决了三个核心学术问题：在视觉特征受限环境下实现鲁棒身份认证，降低对高分辨率图像的依赖；设计活动量可靠性评估机制，有效区分静止状态下的身份模糊问题；提出增量式匹配算法，适应现实场景中人员动态进出与传感器非全覆盖的复杂条件。这些创新为跨模态感知研究提供了重要基准。

实际应用

在智慧物流领域，CorVS支撑的身份识别系统可实现动态任务分配与工作流优化，通过实时关联人员位置与操作数据提升仓储效率。该系统可集成至数字孪生平台，为布局规划提供数据支撑，同时降低对人工监控的依赖。其非外观依赖的特性契合工业场景的隐私保护需求，为制造、医疗等需要人员动线分析的领域提供了可扩展的技术框架。

数据集最近研究

最新研究方向

在工业物联网与智能仓储领域，CorVS数据集推动了基于视觉轨迹与可穿戴传感器数据融合的人员身份识别研究。当前前沿聚焦于多模态深度学习模型的优化，通过引入活动可靠性评估机制与自适应匹配算法，显著提升了复杂工业场景下的识别鲁棒性。该研究突破了传统行人重识别对视觉特征的依赖，通过时空特征对齐技术解决了密集人群中轨迹断裂与传感器噪声的挑战。其创新性体现在将双球面相机模型与惯性测量单元数据深度融合，为数字孪生驱动的仓储优化提供了身份感知的位置服务基础，对工业5.0时代的智能运维与人机协同具有重要实践意义。

相关研究论文

• CorVS: Person Identification via Video Trajectory-Sensor Correspondence in a Real-World Warehouse

  名古屋大学工学研究生院 · 2025年