Real UAV Person 01 FBSR Measurement Dataset

该目录包含从real_uav_person_01实验导出的测量级数据集，用于FBSR/MR-IPLKF验证窗口，旨在发布算法输入和同步目标真值，无需用户重放完整原始rosbag。This directory contains a measurement-level dataset exported from the real_uav_person_01 experiment, intended for the FBSR/MR-IPLKF validation window. This dataset is designed to release algorithm inputs and synchronized ground-truth targets, eliminating the need for users to replay the complete original rosbag.

原始信息汇总

数据集概述

Real UAV Person 01 FBSR Measurement Dataset 是从 real_uav_person_01 实验中导出的测量级数据集，用于 FBSR / MR-IPLKF 验证窗口。该数据集旨在向用户提供算法输入和同步的目标真值，无需重播完整的原始 rosbag。

数据文件

数据集包含以下 CSV 文件和 JSON 元数据：

文件	描述
data/bearing_measurements.csv	快速方位测量，来自 /mr_iplkf_fb_sr/bearing_event。
data/bearing_range_measurements.csv	慢速方位-距离测量，来自 /mr_iplkf_fb_sr/bearing_range_event。
data/target_truth.csv	目标动作捕捉真值（来自 /vrpn_client_node/Person/pose），同步 UAV 真值和 LIO 里程计信息。
data/fbsr_measurements_with_truth.csv	组合的方位和方位-距离测量，每行附加了最近的目标真值、UAV 真值和 UAV 里程计信息。
frame_transforms.json	坐标变换元数据，包括 T_mocap_lio 和 T_lio_mocap。
data/frame_transforms.csv	相同变换矩阵的 CSV 版本。
metadata.json	机器可读的导出元数据。
calibration_real_uav_person_01.json	相机内参、激光雷达/相机外参和 180 度相机旋转注释。
summary.txt	简短的人类可读导出摘要。

数据集行数统计：

数据集	行数
方位测量	768
方位-距离测量	507
目标真值样本	6134
组合测量	1275

窗口化 Bag 文件

提供两个与 CSV 文件同一原始 bag 时间窗口的 bag 文件：

• bags/real_uav_person_public_raw.bag（约 750 MB）：仅保留重播或评估所需的输入和真值主题。
• bags/real_uav_person_fbsr.bag（约 352 KB）：包含 FBSR 测量和输出主题，与原始 bag 时间轴对齐。

使用以下命令重播对齐的窗口：

bash rosbag play bags/real_uav_person_public_raw.bag bags/real_uav_person_fbsr.bag --clock

坐标框架

框架	含义
mocap	VRPN 动作捕捉世界框架。目标真值来自 /vrpn_client_node/Person/pose，UAV 真值来自 /vrpn_client_node/UAV/pose。
lio / odom	由 /Odometry_uav 使用的 LIO 局部里程计框架。
base_link	测量时间戳处的 UAV/机体框架。方位向量（如 u_cam_b 和 u_base_eq_b）在此框架中表示。
camera	在应用相机到机体旋转之前的相机光线框架。u_cam_c_* 列在此框架中表示。

传感器标定

包含的标定文件 calibration_real_uav_person_01.json 提供如下信息：

• 相机模型：图像大小 640x480，fx=379.052，fy=378.717，cx=321.569，cy=251.850，畸变系数为 [0, 0, 0, 0, 0]。
• 激光雷达在 base_link 中的外参：平移 [-0.070, 0.000, 0.075] m，旋转 RPY [0.0, -25.0, 0.0] 度。
• 相机在 base_link 中的外参：平移 [0.000, 0.000, 0.000] m，旋转 RPY [0.0, -90.0, -90.0] 度。
• 相机到激光雷达的变换：T_camera_to_lidar。

此外，相机以 180 度旋转安装。YOLO 检测在推理前会旋转图像 180 度，但发布的边界框和测量已转换回原始图像坐标。因此，CSV 中的 measurement_center_* 和 bbox_* 列采用原始图像坐标。

LIO 到动作捕捉的变换T_mocap_lio 也已导出：

text R_mocap_lio = [[0.989, -0.146, 0.008], [0.146, 0.989, -0.032], [-0.003, 0.033, 0.999]] t_mocap_lio = [-0.304, 0.120, 0.204] m

逆变换 T_lio_mocap 也已提供。

测量定义

方位测量（bearing_measurements.csv）

每行对应一个 /mr_iplkf_fb_sr/bearing_event。关键列包括：

• stamp_s：绝对 ROS 时间戳。
• source：方位来源（如 image_seg 或 image_bbox）。
• u_cam_c_x/y/z：相机光线框架中的单位光线。
• u_cam_b_x/y/z：旋转到 base_link 的相同方位光线。
• theta_base_rad 和 phi_base_rad：根据 u_cam_b 计算的方位角。
• sigma_theta_rad 和 sigma_phi_rad：角度测量标准差。
• measurement_center_u_px 和 measurement_center_v_px：像素图像测量中心。
• bbox_*_px：YOLO 边界框坐标。

角度计算方式： text theta = atan2(y, x) phi = atan2(z, sqrt(x^2 + y^2))

方位-距离测量（bearing_range_measurements.csv）

每行对应一个 /mr_iplkf_fb_sr/bearing_range_event。关键列包括：

• rho_tilde_m：测量的目标距离。
• u_base_eq_b_x/y/z：在 base_link 中的基座中心等效视线向量。
• theta_base_rad 和 phi_base_rad：根据 u_base_eq_b 计算的方位角。
• sigma_rho_m：距离测量标准差。
• bearing_stamp_s：与此距离事件配对的方位事件时间戳。
• bearing_dt_s：距离事件与配对/插值方位间的时间偏移。
• bearing_match_mode：方位关联模式。

rho_tilde_m 和 u_base_eq_b 可重建机体框架中的目标点： text p_target_base_meas = rho_tilde_m * u_base_eq_b

目标真值（target_truth.csv）

提供目标动作捕捉轨迹和同步 UAV 参考。关键列包括：

• target_mocap_m_x/y/z：动作捕捉框架中的目标位置。
• uav_truth_mocap_m_x/y/z：UAV 动作捕捉真值位置。
• uav_odom_m_x/y/z：LIO 局部框架中的 UAV LIO 里程计位置。
• truth_relative_uav_truth_m_x/y/z：相对于 UAV 真值的目标位置。
• truth_relative_odom_m_x/y/z：LIO 框架中相对于 UAV 里程计位置的目标位置。
• truth_relative_base_from_odom_m_x/y/z：使用 /Odometry_uav 的相对于 UAV 机体框架的目标位置。
• truth_rho_*、truth_theta_*、truth_phi_*：从相应相对向量推导出的距离和角度真值。

组合 CSV

data/fbsr_measurements_with_truth.csv 按时间排序，将快速方位行和慢速方位-距离行合并为一个表格。使用 event_type 列区分行类型（bearing 或 bearing_range）。不适用于某事件类型的列留空。

数据使用建议

典型评估流程：

1. 读取 frame_transforms.json 并加载 T_mocap_lio。
2. 读取 data/fbsr_measurements_with_truth.csv。
3. 对于 bearing 行，使用 u_cam_b 或 theta_base_rad / phi_base_rad 作为快速角度测量。
4. 对于 bearing_range 行，使用 rho_tilde_m 结合 u_base_eq_b 或 theta_odom_rad / phi_odom_rad 作为慢速距离-角度测量。
5. 使用 target_mocap_m_* 作为动作捕捉框架中的同步目标真值，或使用 truth_relative_* 列进行相对框架评估。

搜集汇总

数据集介绍

构建方式

该数据集源自真实的无人机对地人员跟踪实验，通过从原始rosbag中提取并同步多传感器测量信息构建而成。数据集整合了来自视觉惯性里程计、运动捕捉系统及激光雷达的观测数据，经过严格的时间对齐与坐标变换，最终以CSV文件形式导出，包含快速方位角测量、慢速距离-方位联合测量以及目标真实轨迹等核心信息。

特点

数据集的特点在于提供了多速率、多模态的测量数据，支持滤波器算法的验证与评估。其包含的768个方位角测量和507个距离-方位测量样本，均附有同步的真值信息与无人机体状态数据。此外，数据集中还提供了详细的标定参数与坐标变换矩阵，确保用户能够准确复现论文中的实验条件。

使用方法

使用时，用户首先加载frame_transforms.json与标定文件，随后读取fbsr_measurements_with_truth.csv作为主数据流。该文件按时间排序，通过event_type字段区分方位角与距离-方位测量行。用户可依据u_cam_b或theta_base_rad等字段获取角观测值，利用rho_tilde_m与u_base_eq_b重建目标相对位置，并结合target_mocap_m_*真值进行精度评估。同时提供压缩的ROSbag文件用于算法重放。

背景与挑战

背景概述

Real UAV Person 01 FBSR Measurement Dataset诞生于无人系统自主跟踪的前沿探索，由致力于多传感器融合与目标状态估计的研究团队于近期创建。该数据集以真实无人机对地人员跟踪为实验场景，聚焦于融合视觉与激光雷达信息的滤波算法验证，核心研究问题在于如何在高动态、部分可观测环境下实现精准的连续目标定位。通过提供同步的方位测量、方位-距离测量以及运动捕捉真值数据，该数据集为滤波器设计、性能评估与复现提供了标准化的基准平台，对于推动无人机自主跟踪领域的算法进步具有重要参考价值。

当前挑战

该数据集所解决的领域挑战在于实现无人机对地面人员的实时跟踪，算法需应对传感器异构异步、目标机动与遮挡等复杂情况。数据集的构建过程面临多重困难：首先，需高精度标定多传感器（相机、激光雷达、IMU）间的外参，并处理相机180度旋转带来的坐标变换歧义。其次，需在时间维度上严格对齐来自不同硬件时钟的测量数据与运动捕捉真值，允许的最大同步误差仅为0.15秒。此外，还需设计合理的测量定义与帧变换框架，确保方位、距离等关键量在不同坐标空间下表述的一致性，从而使公开的紧凑测量级数据能够无歧义地支持下游研究者的算法复现与评估。

常用场景

经典使用场景

在无人机自主跟踪与多传感器融合的学术前沿，该系统数据集凭借其多速率测量特性，成为验证滤波与估计算法的理想平台。其最经典的使用场景在于评估和对比基于滤波的传感器融合方法（如FBSR与MR-IPLKF）在真实复杂环境中的目标跟踪性能。研究者可通过加载同步的视觉方位角测量、激光雷达距离-方位角测量以及运动捕捉真值，精准地复现论文中的实验条件，从而分析算法在动态无人机平台上的融合精度、延迟补偿能力和鲁棒性。

实际应用

在实际应用层面，该数据集为开发与测试无人机实时目标追踪系统提供了宝贵的离线评估资源。工程团队可利用其完整的传感器校准参数、坐标变换关系及同步的测量序列，快速验证自主导航、目标捕获与跟踪算法的硬件在环性能。例如，在搜索救援、空中巡检或安防监控中，该数据集能帮助开发者评估不同传感器配置下的跟踪可靠性，从而优化系统在信号干扰、目标遮挡等恶劣条件下的响应策略，加速从算法仿真到真实飞行的工程落地进程。

衍生相关工作

围绕该数据集，学术界已衍生出多项具有启发性的研究工作。最为典型的是基于该数据所验证的FBSR（频率分叉状态估计）与MR-IPLKF（多速率迭代最近点-线性卡尔曼滤波器）框架，它们为处理异步多传感器融合问题提供了创新性方案。此外，诸如基于深度学习的视觉目标检测与雷达测距融合方法，以及针对无人机动态平台的协方差自适应校准技术，均以此数据集作为核心评估基准。这些工作共同推动了实时、鲁棒的多模态目标追踪技术在复杂环境下的发展。