Hilti x Trimble SLAM Challenge 2026 Dataset

该数据集是一个用于SLAM（同时定位与地图构建）挑战的开放和真实数据集，直接在活跃的建筑工地上捕获，旨在评估和比较SLAM系统在真实工业条件下的性能。数据集包含视觉-惯性传感器数据、激光雷达真值获取、相机和IMU校准信息，并以EuRoC格式和ROS包形式提供，适用于机器人、自动化和数字建筑工作流中的SLAM算法基准测试。

This dataset is an open, real-world benchmark dataset for SLAM (Simultaneous Localization and Mapping) challenges. Collected directly from active construction sites, it is intended to evaluate and compare the performance of SLAM systems under real industrial conditions. The dataset encompasses visual-inertial sensor data, LiDAR ground truth data, camera and IMU calibration information, and is distributed in both EuRoC format and ROS bag format, making it suitable for benchmarking SLAM algorithms in robotics, automation and digital construction workflows.

原始信息汇总

Hilti x Trimble SLAM Challenge 2026 数据集概述

数据集简介

该数据集旨在为视觉-惯性SLAM系统在真实工业场景下的评估与比较提供一个开放且现实的基准。数据集由Hilti、Trimble和牛津大学动态机器人系统组联合发布，数据直接采集自活跃的建筑工地，以应对变化的光照条件、重复纹理和部分施工进度等挑战性环境。

数据集发布与结构

• 早期发布：包含5个样本，已于2025年12月1日发布。
• 完整发布：计划于2026年2月1日发布。
• 数据存储：数据以ROS 2 bag文件格式提供，可通过提供的公开Google Drive文件夹获取。
• 文件夹结构：

BuchsIT/ └── floor_X/ ├── floor_X.png └── date/ ├── run_Y/ ├── rosbag/ │ └── rosbag.db3 │ └── metadata.yaml ├── trajectory.csv ├── floor_X_gt.png

数据序列详情

序列名称	YouTube视频	ROS Bag下载	真值类型
Floor_1_2025_05_05_run_1	https://youtu.be/CWM42dc7BLE	https://drive.google.com/file/d/1PT5qK7UpsAtU02QCTkAB1Tlvzt9k_16-/view?usp=drive_link	定性视觉参考 (floor_X_gt.png)
Floor_2_2025_05_05_run_1	https://youtu.be/C-Mdt5v9jyM	https://drive.google.com/file/d/1k45Ufau9T2y8w5GM0vjZbYuMTeMKn4gh/view?usp=drive_link	定性视觉参考 (floor_X_gt.png)
Floor_2_2025_10_28_run_1	https://youtu.be/kFmn1pZzGuY	https://drive.google.com/file/d/1QIJXWtxKeumwnOLKPsUdR-NvhW-ITbsx/view?usp=sharing	定性视觉参考 (floor_X_gt.png)
Floor_2_2025_10_28_run_2	https://youtu.be/8qetRNnEScs	https://drive.google.com/file/d/145Ramu4F3d74oOdzzSihlL0X6A5HDmFQ/view?usp=sharing	定性视觉参考 (floor_X_gt.png)
Floor_UG_2025_10_16_run_1	https://youtu.be/5dy1r1nFSzY	https://drive.google.com/file/d/1PoulmdfADZbfwLv7WyE9aTt8nMtSw_km/view?usp=sharing	定量轨迹 (floor_UG_gt.csv， EuRoC格式)

环境与序列属性

• 采集楼层：
  • Floor UG：地下层。
  • Floor 1：一层。
  • Floor 2：二层。
• 序列特性：每个序列均在建筑工地环境中采集，且为闭环轨迹（起点与终点相同）。
• 特殊说明：
  • Floor 2包含三个不同运行序列，其中两个由不同操作员在同一天采集。
  • Floor 2的run 2序列和Floor UG序列在录制开始时包含有意的运动，作为应用场景的真实挑战。

传感器数据

数据通过ROS 2 bag提供，包含以下主题：

主题名称	消息类型	描述
/cam0/image_raw/compressed	sensor_msgs/msg/CompressedImage	前摄像头数据（RGB，1472×1440分辨率），为减小文件尺寸已压缩。
/cam1/image_raw/compressed	sensor_msgs/msg/CompressedImage	后摄像头数据（RGB，1472×1440分辨率），为减小文件尺寸已压缩。
/imu/data_raw	sensor_msgs/msg/Imu	原始IMU数据。

数据预处理工具

• 图像解压缩：提供了辅助节点，可在播放bag时实时解压缩视频流。
• 图像旋转：相机中的图像传感器是倒置的。提供了一个简单工具将图像旋转180度以便于可视化。
• 格式转换：提供了将ROS 2 bag转换为EuRoC数据集格式的脚本。

真值数据

• Floor UG：提供定量真值轨迹文件 (floor_UG_gt.csv， EuRoC格式)。该真值使用激光雷达系统获取，并未与视频第一帧精确对齐，而是在视频开始后3.030716秒开始。
• 其他楼层：提供定性视觉参考图像 (floor_X_gt.png) 以指示预期的轨迹形状。

采集设备

• 视觉-惯性传感器：Insta360 One-RS 1-Inch Edition。
  • 传感器与镜头：配备两个1英寸CMOS传感器（与徕卡共同设计）。每个镜头为徕卡Summicron-A 6.52 mm f/2.2鱼眼镜头，提供约200°的极宽视场，实现完整的360°覆盖。
  • 快门：传感器使用电子（滚动）快门。
  • 集成IMU：包含一个6轴惯性测量单元（3轴陀螺仪 + 3轴加速度计）。运动数据内部记录并嵌入视频元数据中。
• 激光雷达（真值获取）：使用包含Hesai XT32激光雷达的激光雷达测绘设备，刚性连接在Insta360上用于生成参考轨迹。该传感器数据不包含在提供的ROS 2 bag中。
• 相机与IMU标定：提供了使用Kalibr工具箱获得的相机和IMU标定结果。原始标定记录也包含在公开驱动器中。

评估方法

主要评估指标将是估计的SLAM轨迹与参考（真值）轨迹之间绝对位姿误差的均方根误差。确切的评估程序细节将在2026年2月1日的官方发布中提供。

配套工具与示例

提供了基于ROS2 Humble和Ubuntu 22.04开发的工具，以简化数据处理。

• OpenVINS示例：提供了经过测试和配置的OpenVINS（领先的开源视觉-惯性里程计系统）运行示例，包括安装、运行脚本以及与楼层平面对齐的静态变换参数。
• Stella-VSLAM示例：提供了另一个开源vSLAM系统Stella-VSLAM的运行说明，该系统可直接处理360°等距柱状投影图像。

搜集汇总

数据集介绍

构建方式

在机器人学和自动化领域，精准可靠的SLAM技术是数字建造流程的基石。Hilti x Trimble SLAM Challenge 2026数据集通过在实际建筑工地上采集数据，构建了一个具有挑战性的视觉-惯性SLAM基准。该数据集采用Insta360 One-RS 1英寸版相机作为视觉-惯性传感器，配备两个1英寸CMOS传感器和徕卡Summicron-A鱼眼镜头，提供约200°的视场角，实现360°全覆盖。数据采集过程中，相机与Hesai XT32激光雷达刚性连接，通过激光雷达-惯性SLAM系统生成高精度地面真值轨迹。数据集以ROS 2包格式提供，包含压缩图像和原始IMU数据，并支持转换为EuRoC格式，确保了数据的实用性和兼容性。

使用方法

使用该数据集时，研究人员可通过提供的ROS 2工具包进行数据处理和算法评估。数据集以ROS 2包格式分发，包含压缩图像流和原始IMU数据，用户可利用附带的脚本将数据转换为EuRoC格式。为了处理压缩图像，工具包提供了实时解压缩节点，确保在播放数据包时能够流畅处理视频流。此外，针对相机图像传感器的倒置问题，工具包包含旋转工具，可将图像旋转180度以便可视化。评估方法主要基于绝对位姿误差的均方根误差，将估计的SLAM轨迹与地面真值轨迹进行对比。用户还可利用提供的OpenVINS和Stella-VSLAM示例配置，快速在数据集上测试和比较不同SLAM系统的性能。

背景与挑战

背景概述

在机器人学、自动化与数字化建造领域，精确可靠的同步定位与地图构建（SLAM）技术是核心基石。然而，真实世界的建筑工地环境对现代视觉惯性SLAM系统构成了严峻挑战，其动态光照条件、重复性纹理以及局部施工进展等因素，往往使得前沿算法面临性能极限。为推进该领域发展并建立针对此类苛刻场景的统一基准，喜利得、天宝以及牛津大学动态机器人系统研究组于2026年联合推出了SLAM挑战赛及相关数据集。该数据集于2025年12月1日发布早期版本，旨在提供直接采集自活跃建筑工地的开放且真实的数据，以评估和比较SLAM系统在真实工业条件下的表现，其研究成果预计将于2026年6月在ICRA会议上公布，对推动工业级SLAM技术的标准化与实用化具有重要影响力。

当前挑战

该数据集致力于解决建筑工地环境下视觉惯性SLAM的定位难题，其核心挑战在于应对光照剧烈变化、纹理高度重复以及场景结构动态演进等复杂条件，这些因素易导致特征匹配失效与累积误差增大。在数据集构建过程中，挑战同样显著：为确保数据真实性，需在施工中的场地进行多楼层、多时间点的数据采集，并处理传感器同步、数据压缩存储等技术细节；同时，为提供可靠的地面真值，需集成高精度激光雷达系统进行轨迹标定，并妥善处理时间偏移与坐标对齐问题，这些环节均对数据质量与一致性提出了严格要求。

常用场景

经典使用场景

在机器人学与自动化领域，同步定位与地图构建技术面临真实工业场景的严峻考验。Hilti x Trimble SLAM Challenge 2026数据集通过采集活跃建筑工地的多传感器数据，为评估视觉-惯性SLAM系统提供了经典测试平台。该数据集包含不同楼层、不同施工阶段的序列，涵盖光照变化、重复纹理与部分施工进度等复杂条件，使研究者能够在闭环轨迹中系统验证算法的鲁棒性与精度。

解决学术问题

该数据集致力于解决视觉-惯性SLAM在动态、非结构化环境中性能退化的核心学术问题。通过提供精确的激光雷达基准轨迹与多模态传感器数据，它使研究者能够量化分析算法在极端光照、纹理缺失等挑战下的定位误差。数据集推动了鲁棒性SLAM框架的发展，为传感器融合、长期定位与地图一致性等研究方向提供了可复现的评估基准。

实际应用

在数字建造与工业自动化领域，该数据集直接支撑施工现场的自主导航与进度监测应用。通过模拟真实建筑环境中的设备移动轨迹，它能够训练和验证用于工程机械定位、无人机巡检与增强现实叠加的SLAM系统。数据集中包含的楼层平面图与多期施工数据，进一步促进了建造流程数字化与智能工地管理系统的发展。

数据集最近研究

最新研究方向

在机器人学与自动化领域，视觉惯性SLAM技术正面临复杂工业场景的严峻考验。Hilti与Trimble联合牛津大学推出的SLAM Challenge 2026数据集，聚焦于真实建筑工地的动态环境，其前沿研究围绕极端光照变化、重复纹理与局部施工进度等挑战展开。该数据集通过多楼层、多时间节点的闭环轨迹数据，推动SLAM算法在强干扰下的鲁棒性优化，并借助高精度激光雷达真值系统建立行业新基准。相关研究热点涉及跨模态传感器融合、实时轨迹对齐与大规模场景语义理解，其成果将直接赋能数字建造与自主机器人导航，为ICRA 2026等国际顶会提供关键实证平台。