Pelican Quadrotor Dataset

该数据集包含54次飞行记录，涵盖了广泛的飞行状态。数据以MATLAB细胞格式存储，包含飞行样本数、位置和方向测量、电机实际速度和命令速度、计算速度和体速率等。

This dataset comprises 54 flight records, encompassing a wide range of flight conditions. The data is stored in MATLAB cell format, including the number of flight samples, position and orientation measurements, actual and commanded motor speeds, computed velocities, and body rates.

原始信息汇总

Pelican Dataset 概述

数据集基本信息

• 维护者: Nima Mohajerin ([e-mail])
• 格式: MATLAB .mat
• 大小: 238.1 MB
• 下载链接: AscTec_Pelican_Flight_Dataset

数据集内容

车辆信息

• 型号: AscTec Pelican 轻型四旋翼飞行器
• 配置: 实时自动驾驶板与运行Ubuntu操作系统的机载计算机，通过UART连接通信
• 软件: ROS Indigo，用于收集电机速度和惯性测量单元(IMU)数据
• 操作环境: 室内，由专家飞行员使用Futaba T7C遥控器操作

数据集描述

• 飞行次数: 54次
• 数据结构: MATLAB细胞，包含以下字段：
  • len: 样本数量
  • Pos: 位置测量(x, y, z)，来自Vicon，3-by-len矩阵
  • Euler: 方向测量(roll, pitch, yaw)，来自Vicon，3-by-len矩阵
  • Motors: 电机实际速度，4-by-len矩阵
  • Motors_CMD: 命令电机速度，4-by-len矩阵
  • Vel: 计算速度(v_x, v_y, v_z)，3-by-(len-1)矩阵
  • pqr: 计算体速率(p, q, r)，3-by-(len-1)矩阵

引用信息

若使用此数据集，请引用以下论文：

• [1] Deep Learning a Quadrotor Dynamic Model for Multi-Step Prediction, N Mohajerin, M Mozifian, SL Waslander, IEEE International Conference on Robotics and Automation (ICRA), 2018.
• [2] Multistep Prediction of Dynamic Systems With Recurrent Neural Networks, N Mohajerin, SL Waslander, IEEE transactions on neural networks and learning systems, 2019.

搜集汇总

数据集介绍

构建方式

Pelican Quadrotor Dataset的构建基于对AscTec Pelican四旋翼飞行器的系统识别与建模研究。该数据集通过在室内环境中，由专业飞行员使用Futaba T7C遥控器操作飞行器，利用ROS Indigo软件收集电机速度和惯性测量单元（IMU）数据。数据采集过程中，飞行器配备了实时自动驾驶板和运行Ubuntu操作系统的车载计算机，通过UART连接与自动驾驶板通信。数据集包含54次飞行记录，每条记录以MATLAB单元形式存储，涵盖了多种飞行状态，确保数据的多样性和广泛性。

特点

Pelican Quadrotor Dataset的显著特点在于其详细且多维度的数据结构。每条飞行记录不仅包含位置（x, y, z）和方向（滚转、俯仰、偏航）的测量数据，还涵盖了实际和命令的电机速度，以及通过数值差分计算得到的飞行器速度和体轴速率。这些数据的高维度特性为多步预测模型的训练提供了丰富的信息源，特别适用于深度学习和神经网络的研究。

使用方法

使用Pelican Quadrotor Dataset时，研究者可以利用MATLAB直接加载.mat文件，访问包含的飞行数据。数据集的结构设计便于研究者提取和分析不同飞行状态下的动态特性，适用于系统识别、模型验证和多步预测等研究领域。为了确保数据的正确使用和引用，研究者在发表相关研究成果时应引用提供的文献[1]和[2]。

背景与挑战

背景概述

Pelican Quadrotor Dataset是由滑铁卢大学WAVELab实验室在多步预测的系统识别与建模项目中创建的，旨在研究四旋翼飞行器的动态行为。该数据集由Nima Mohajerin维护，包含了54次飞行数据，涵盖了多种飞行状态。数据集通过ROS Indigo软件收集了电机速度和惯性测量单元（IMU）的测量数据，并结合Vicon系统获取的位置和姿态信息。该数据集的发布为四旋翼飞行器的建模与预测研究提供了宝贵的资源，尤其在深度学习和神经网络应用于动态系统预测方面，具有重要的学术价值。

当前挑战

Pelican Quadrotor Dataset在构建过程中面临多项挑战。首先，数据同步和信号采集的精确性是关键，尤其是在室内环境中，确保飞行数据的准确性和一致性至关重要。其次，四旋翼飞行器的动态行为复杂，涉及多个变量和非线性关系，如何有效建模并进行多步预测是一个技术难题。此外，数据集的规模和多样性要求研究人员在处理和分析时具备高度的计算能力和算法优化技巧，以确保模型的准确性和泛化能力。

常用场景

经典使用场景

Pelican Quadrotor Dataset 主要用于四旋翼飞行器的系统识别与建模，特别是在多步预测任务中。该数据集通过记录飞行器的实际位置、姿态、电机速度及命令等关键参数，为研究者提供了一个全面的实验平台。经典使用场景包括利用这些数据进行黑箱和灰箱模型的构建与验证，以及通过深度学习方法预测飞行器的动态行为。

实际应用

在实际应用中，Pelican Quadrotor Dataset 可用于开发和测试四旋翼飞行器的控制系统和导航算法。例如，在无人机物流、农业监测和灾害救援等领域，精确的飞行器模型和预测能力是确保任务成功的关键。此外，该数据集还可用于训练和验证自动驾驶飞行器的深度学习模型，提升其在复杂环境中的操作性能。

衍生相关工作

基于 Pelican Quadrotor Dataset，研究者已开展了多项经典工作，如使用深度学习方法进行多步预测的模型构建，以及通过循环神经网络实现动态系统的多步预测。这些工作不仅在学术界引起了广泛关注，还为后续研究提供了宝贵的参考和基准。未来，随着数据集的进一步应用，预计将会有更多关于飞行器控制和动态建模的创新研究涌现。