MineInsight

MineInsight是一个多传感器、多光谱的数据集，专为越野环境下的地雷探测而设计。该数据集包含35个不同的目标（15个地雷和20个常见物品），分布在三个不同的赛道上，提供了一个多样化和现实化的测试环境。MineInsight是首个整合无人地面车辆及其机械臂的双视图传感器扫描数据的数据集，提供多个视角以减轻遮挡并提高空间感知能力。它具有两个LiDAR，以及在不同光谱范围内捕获的图像，包括可见光（RGB、单色）、可见光短波红外（VIS-SWIR）和长波红外（LWIR）。此外，该数据集还附带目标的定位估计，为评估检测算法提供了一个基准。我们在白天和夜间条件下记录了大约一个小时的约38,000个RGB帧，53,000个VIS-SWIR帧和108,000个LWIR帧。MineInsight作为开发和应用地雷探测算法的基准。我们的数据集可以在https://github.com/mariomlz99/MineInsight获取。MineInsight is a multi-sensor, multi-spectral dataset specifically designed for mine detection in off-road environments. The dataset contains 35 distinct targets, including 15 mines and 20 common objects, distributed across three different tracks to provide a diverse and realistic testing environment. MineInsight is the first dataset integrating dual-view sensor scanning data from unmanned ground vehicles and their robotic arms, offering multiple perspectives to mitigate occlusion and enhance spatial awareness. It is equipped with two LiDARs, as well as images captured across different spectral ranges, including visible light (RGB, monochromatic), visible-shortwave infrared (VIS-SWIR), and long-wave infrared (LWIR). Additionally, the dataset includes target localization estimates, serving as a benchmark for evaluating detection algorithms. We recorded approximately 38,000 RGB frames, 53,000 VIS-SWIR frames, and 108,000 LWIR frames over roughly one hour of data collection under both daytime and nighttime conditions. MineInsight serves as a benchmark for the development and application of mine detection algorithms. Our dataset is available at https://github.com/mariomlz99/MineInsight.

搜集汇总

数据集介绍

构建方式

MineInsight数据集通过集成无人地面车辆（UGV）及其机械臂的双视角传感器扫描，构建了一个多传感器、多光谱的复杂环境数据集。数据采集过程中，UGV以0.2米/秒的速度沿预设轨道行进，机械臂以不同角度扫描环境，以减轻遮挡问题并增强空间感知。数据集包含35个目标（15种地雷和20种常见物品），分布在三条不同植被密度的轨道上，覆盖白天和夜间条件。通过高精度的时间同步和传感器标定，确保了数据的一致性和可靠性。

使用方法

MineInsight数据集适用于开发和评估地雷检测算法，尤其适合多传感器融合和跨光谱分析的研究。用户可通过数据集提供的目标位置信息和多视角传感器数据，训练和验证检测模型的鲁棒性。数据集采用ROS 2框架存储，确保了数据的互操作性和可重复性。研究人员可进一步利用该数据集进行非结构化环境中的导航和地图构建等通用机器人任务。

背景与挑战

背景概述

MineInsight数据集由Mario Malizia等研究人员于2025年提出，旨在推动人道主义排雷机器人技术在复杂地形中的应用。该数据集由欧洲多所研究机构联合开发，聚焦于解决传统排雷方法效率低下、危险性高等核心问题。作为首个集成地面无人车(UGV)与机械臂双视角传感器的多光谱数据集，MineInsight包含15种地雷和20种常见物品，采集了可见光、短波红外、长波红外等多谱段数据，以及两种LiDAR的三维点云信息。其创新性的数据采集方式为遮挡条件下的目标检测提供了全新研究视角，显著提升了排雷机器人环境感知的可靠性。

当前挑战

在领域问题层面，MineInsight致力于解决非结构化环境中地雷检测的三大挑战：多谱段特征融合的复杂性、植被遮挡导致的识别率下降，以及昼夜环境差异对算法鲁棒性的影响。构建过程中面临传感器同步校准的技术难题，包括8个异构相机与2个LiDAR的时空对齐问题。数据标注环节因目标在红外影像中的低可见性，需要开发基于AprilTag的自动化标注系统。此外，机械臂动态运动带来的视角变化虽增强数据多样性，却增加了运动模糊和位姿估计的复杂度，这些因素共同构成了该数据集的技术壁垒。

常用场景

经典使用场景

在复杂地形的人道主义扫雷任务中，MineInsight数据集通过整合多传感器数据，为机器人系统提供了丰富的环境感知能力。该数据集特别适用于验证和优化基于计算机视觉的地雷检测算法，尤其是在植被覆盖、光线变化和遮挡严重的场景下。研究人员可以利用其多光谱图像（RGB、VIS-SWIR、LWIR）和双LiDAR数据，模拟真实扫雷环境中的挑战。

解决学术问题

MineInsight解决了当前地雷检测研究中数据多样性不足和传感器单一的问题。通过提供15种不同类型的地雷和20种常见物品的标注数据，该数据集支持算法在减少误报率、提升遮挡目标检测能力方面的研究。其多视角采集方式（UGV和机械臂协同）为空间感知和三维目标定位提供了新的研究基础，填补了现有数据集中缺乏地面机器人动态视角的空白。

实际应用

该数据集可直接应用于人道主义扫雷机器人的开发与测试，特别是在战后地区的地雷清理任务中。其昼夜环境下的数据采集支持全天候作业算法的开发，而多光谱融合技术可提升金属、塑料等不同材质地雷的识别率。实际部署中，基于该数据集训练的模型能显著降低人工排雷的风险和成本。

数据集最近研究

最新研究方向

近年来，MineInsight数据集在人道主义排雷机器人领域引起了广泛关注，特别是在多传感器融合与多光谱成像技术的结合方面。该数据集通过集成无人地面车辆（UGV）及其机械臂的双视角扫描，有效解决了传统排雷任务中因植被或土壤遮挡导致的探测难题。研究热点集中在利用LiDAR与可见光-短波红外（VIS-SWIR）、长波红外（LWIR）等多光谱数据，开发鲁棒性更强的地雷检测算法。此外，该数据集在昼夜不同光照条件下的数据采集为算法泛化性研究提供了重要支撑，推动了自主导航与环境感知技术在复杂地形中的实际应用。其标准化数据格式与ROS 2框架的兼容性，进一步促进了排雷机器人领域的跨团队协作与算法可比性研究。

相关研究论文

• MineInsight: A Multi-sensor Dataset for Humanitarian Demining Robotics in Off-Road Environments

  比利时根特大学 · 2025年