多模态激光雷达数据集

多模态激光雷达数据集是由图尔库智能嵌入式与机器人系统实验室创建，旨在为通用定位与地图构建算法提供基准。该数据集包含来自5种不同激光雷达传感器和1个激光雷达相机的数据，涵盖室内外多种环境。数据集通过高精度运动捕捉系统提供地面实况数据，精度达到亚毫米级。创建过程中，数据集在不同环境中收集，包括森林、城市区域、开阔道路和大室内厅。应用领域广泛，包括3D激光雷达同时定位与地图构建（SLAM）、多模态激光雷达性能比较、外观识别和回环检测等，旨在解决激光雷达数据处理算法在不同环境和传感器类型下的适应性和性能问题。

The multimodal LiDAR dataset was developed by the Turku Intelligent Embedded and Robotic Systems Lab, with the goal of providing a benchmark for general localization and mapping algorithms. This dataset contains data collected from five distinct LiDAR sensors and one LiDAR-camera module, covering a wide range of indoor and outdoor environments. It provides ground truth data via a high-precision motion capture system, achieving sub-millimeter accuracy. During the data collection process, the dataset was gathered across diverse environments including forests, urban areas, open roads, and large indoor halls. It has a wide range of application scenarios, including 3D LiDAR-based Simultaneous Localization and Mapping (SLAM), multimodal LiDAR performance comparison, appearance recognition, loop closure detection, and more. The dataset is designed to address the adaptation and performance issues of LiDAR data processing algorithms across different environments and sensor types.

搜集汇总

数据集介绍

构建方式

在激光雷达技术日新月异的背景下，多模态激光雷达数据集的构建旨在弥补现有数据在传感器多样性与环境覆盖上的不足。该数据集通过集成五种不同扫描模态的激光雷达传感器，包括旋转式激光雷达（Velodyne VLP-16、Ouster OS1-64、Ouster OS0-128）与固态激光雷达（Livox Horizon、Livox Avia），以及一款激光雷达相机（RealSense L515）。数据采集平台搭载于多种移动载体，在室内、城市道路及森林等多样化环境中进行序列记录。关键创新在于引入了运动捕捉系统，为室内与森林环境提供了亚毫米级精度的地面真实轨迹，同时通过SLAM方法为大规模场景提供参考定位。所有传感器数据通过ROS框架同步采集，并以rosbag格式存储，确保了时间戳的一致性与数据完整性。

特点

该数据集的核心特点在于其卓越的多模态性与环境多样性。传感器组合涵盖了不同扫描技术、分辨率与视场角，为算法研究提供了前所未有的异构数据源。数据集不仅包含传统点云数据，还提供了高分辨率激光雷达的距离图像、激光雷达相机的RGB与深度图像，以及内置IMU的惯性数据。环境覆盖从结构化室内空间到非结构化森林场景，突破了现有数据集多集中于城市道路的局限。尤为突出的是，数据集在森林与室内环境中提供了基于运动捕捉系统的精确地面真实数据，这在同类数据集中尚属首次，为低漂移里程计与特征跟踪算法的评估奠定了可靠基础。

使用方法

该数据集适用于多个研究领域，包括三维激光雷达同步定位与建图、多模态激光雷达性能比较、外观识别与闭环检测等。用户可通过提供的ROS数据包直接访问各传感器原始数据，并利用附带的校准参数与转换工具进行数据处理。对于算法评估，数据集建议使用绝对轨迹误差等指标，结合运动捕捉系统提供的地面真实轨迹进行定量分析。在森林等非结构化环境中，数据可用于研究几何特征稀疏场景下的鲁棒性算法；而在室内结构化场景中，则有助于探索有限视场与不规则扫描模式下的适应性问题。数据集的多样化为开发通用型、传感器无关的激光雷达处理算法提供了丰富的实验平台。

背景与挑战

背景概述

激光雷达技术在过去十年中经历了显著演进，高分辨率、高精度与低成本设备日益普及，新型扫描模态与传感器技术不断涌现。公开数据集为算法基准测试提供了重要支撑，并推动了前沿技术标准的建立。然而，现有数据集在传感器多样性方面存在局限，往往仅涵盖少数几种激光雷达类型，这在一定程度上制约了通用算法在动态技术环境中的发展与比较。为此，图尔库大学TIERS实验室于2022年推出了多模态激光雷达数据集，该数据集整合了旋转式与固态激光雷达、激光雷达相机等多种传感器，覆盖室内、室外及森林等多种环境，并提供了亚毫米精度的运动捕捉系统真值数据。该数据集的核心研究问题在于促进通用激光雷达同步定位与建图算法的开发与评估，通过丰富的传感器组合与环境多样性，为自动驾驶、移动机器人等领域的算法研究提供了重要的实验基础。

当前挑战

该数据集旨在应对激光雷达同步定位与建图领域的两大挑战：一是算法通用性问题，现有方法通常针对特定传感器设计，难以适应不同扫描模态（如固态雷达的有限视场与非重复扫描模式）与环境变化，导致在结构化与无结构场景中性能差异显著；二是数据构建的技术难题，包括多传感器时间同步、外参标定优化，以及在复杂环境（如森林）中获取高精度真值数据时面临的运动捕捉系统范围限制与多路径效应干扰。这些挑战共同凸显了开发传感器无关、环境鲁棒的通用算法的重要性，也为未来研究提供了明确的改进方向。

常用场景

经典使用场景

在激光雷达技术快速演进的背景下，多模态激光雷达数据集为通用定位与建图算法的基准测试提供了关键支撑。该数据集整合了旋转式与固态激光雷达等多种扫描模态，覆盖室内、森林及城市道路等多样化环境，并配备亚毫米级精度的运动捕捉系统作为地面真值。其经典应用场景在于评估不同激光雷达传感器在复杂环境中的性能差异，特别是在低漂移里程计和地图重建任务中，为算法优化与比较奠定了坚实基础。

解决学术问题

该数据集有效应对了激光雷达领域因传感器类型单一而导致的算法泛化能力不足问题。通过提供多种扫描模态、分辨率及传感技术的数据，它支持研究者探索传感器无关的通用数据处理方法，解决了固态激光雷达有限视场与非重复扫描模式对传统算法带来的挑战。其意义在于推动了低漂移里程计、特征跟踪及运动失真校正等核心研究方向的发展，为跨环境鲁棒性算法的设计提供了实证依据。

衍生相关工作

基于该数据集，学术界衍生了一系列经典研究工作，主要集中在激光雷达同步定位与建图算法的优化与比较。例如，FAST-LIO等激光雷达-惯性里程计系统被应用于评估旋转与固态激光雷达的性能差异；LeGO-LOAM等轻量级算法则在可变地形建图中得到验证。同时，针对固态激光雷达的专用SLAM框架，如LIO-Livox，通过数据集实现了在有限视场环境下的算法鲁棒性提升。这些工作共同推动了多传感器融合与通用激光雷达处理范式的演进。