The Rosario Dataset v2

The Rosario Dataset v2是一个多模态数据集，由阿根廷国家科学技术研究理事会(CONICET)的CIFASIS机构收集于大豆田中，包含超过两小时的传感器记录数据，包括立体红外相机、彩色相机、加速度计、陀螺仪、磁力计、GNSS和轮式里程计。该数据集旨在解决农业环境中机器人定位、建图、感知和导航的挑战，支持高级算法的开发和基准测试。数据集包含6个序列，机器人覆盖总距离7.3公里，记录时间为2.2小时，数据涵盖了自然光照变化、运动模糊、粗糙地形和长轨迹等挑战。

The Rosario Dataset v2 is a multimodal dataset collected in soybean fields by the CIFASIS institute under the National Scientific and Technical Research Council of Argentina (CONICET). It contains over two hours of sensor-recorded data, including stereo infrared cameras, color cameras, accelerometers, gyroscopes, magnetometers, GNSS, and wheel odometry. This dataset aims to address challenges in robot localization, mapping, perception and navigation in agricultural environments, and supports the development and benchmarking of advanced algorithms. The dataset consists of 6 sequences, with the robot covering a total distance of 7.3 kilometers over a recording period of 2.2 hours. The data covers challenges such as natural lighting variations, motion blur, rough terrain and long trajectories.

搜集汇总

数据集介绍

构建方式

该数据集通过搭载多模态传感器的农业机器人平台在豆田环境中系统采集而成。数据采集系统整合了立体红外相机、彩色相机、六轴惯性测量单元、三组九轴惯性测量单元、多频段全球导航卫星系统接收器及车轮编码器，通过硬件同步机制确保各传感器数据的时间一致性。采集过程中采用脉冲每秒信号与网络时间协议实现高精度时钟同步，并利用后处理动态定位技术融合惯性测量数据生成六自由度位姿真值。数据序列设计包含校准轨迹与回环路径，总采集时长超过2小时，轨迹长度达7.3公里，完整覆盖自然光照变化、运动模糊及复杂地形等典型农业场景挑战。

特点

该数据集的核心特征体现在其多模态传感器配置与农业场景的深度适配性。立体红外相机与彩色相机的并行采集提供了互补的视觉信息，有效应对田间光照剧烈变化的挑战。三组全球导航卫星系统接收器通过实时动态定位与后处理动态定位双重模式，在植被遮挡环境下仍能保持厘米级定位精度。特别设计的回环轨迹与长距离序列有效模拟了农业机器人作业中的感知混淆现象，为闭环检测算法验证提供了关键数据基础。数据集还提供完整的传感器标定参数与坐标转换关系，确保多源数据融合的可靠性。

使用方法

该数据集支持以机器人操作系统为核心的多模态同步数据处理流程。用户可通过提供的开源工具链直接加载数据包，获取时间对齐的传感器数据流。针对同步定位与地图构建算法开发，数据集提供标准化的评估接口，支持绝对轨迹误差与相对位姿误差等量化指标计算。研究人员可利用立体视觉-惯性组合进行状态估计研究，或结合全球导航卫星系统数据开发融合定位算法。数据集包含的六自由度位姿真值可直接用于算法精度验证，而长轨迹回环序列则为长期自主导航研究提供了关键测试场景。所有数据均提供机器人操作系统数据包与原始文件两种格式，确保不同研究框架的兼容性。

背景与挑战

背景概述

Rosario Dataset v2是由阿根廷CIFASIS研究机构于2025年发布的农业机器人多模态数据集，聚焦于解决大豆田环境下的自主导航核心问题。该数据集通过集成立体红外相机、彩色相机、惯性测量单元及多模式全球导航卫星系统等传感器，记录了超过7.3公里的农田作业轨迹，为视觉惯性里程计与同步定位与建图算法研究提供了关键数据支撑。其创新性体现在硬件同步设计与六自由度真值标注，显著推动了农业机器人技术在复杂自然环境中的感知与定位能力发展。

当前挑战

该数据集致力于应对农业场景中机器人定位与建图的特殊挑战：包括自然光照剧烈变化导致的视觉特征不稳定、崎岖地形引发的运动模糊、长期作业产生的感知混淆现象，以及全球导航卫星系统信号缺失区域的持续定位问题。在构建过程中，研究团队需克服多传感器硬件同步、异构数据时序对齐、动态环境真值采集等工程难题，特别是针对农作物行间重复纹理特征对回环检测算法造成的干扰，需要进行精细化的数据标注与校验。

常用场景

解决学术问题

该数据集有效解决了农业机器人领域的关键学术挑战，包括自然光照变化、运动模糊、崎岖地形和长距离感知混淆等复杂环境下的定位精度问题。通过提供硬件同步的传感器数据和精确的地面真实值，研究人员能够系统评估多模态SLAM算法在真实农业场景中的鲁棒性。该数据集填补了现有农业数据集中缺乏多模态SLAM评估专用数据的空白，为开发适应农业环境特点的新型定位算法提供了重要支撑。

衍生相关工作

该数据集已催生多项重要的衍生研究，包括ORB-SLAM3及其GNSS增强版本在农业环境中的系统性评估，以及OpenVINS等视觉-惯性导航系统的性能分析。基于该数据集的研究揭示了现有SLAM方法在农业场景中的局限性，推动了针对感知混淆问题的专用闭环检测算法开发。此外，数据集提供的传感器校准方法和时间同步方案也为农业机器人多传感器系统的标准化设计提供了重要参考。