MARS-LVIG

MARS-LVIG数据集用于评估机器人协作中的地图融合技术，特别是用于构建全局一致且精确的地图。该数据集在论文中被用来验证Lemon-Mapping框架的性能，该框架旨在通过合理利用回环信息和提高地图的几何质量来解决传统多机器人定位图优化（PGO）方法在重叠子图区域中出现的地图发散和模糊问题。数据集的具体内容、大小、Tokens数等未在论文中明确提及，但可以推测该数据集包含多个机器人采集的点云数据，以及用于评估地图融合和优化效果的指标。

The MARS-LVIG dataset is designed to evaluate map fusion technologies in robotic collaboration, specifically for constructing globally consistent and precise maps. This dataset was used in the accompanying paper to validate the performance of the Lemon-Mapping framework, which aims to resolve the map divergence and ambiguity issues occurring in overlapping submap regions of traditional multi-robot pose graph optimization (PGO) methods by properly utilizing loop closure information and improving the geometric quality of maps. The specific content, size, and number of Tokens of the dataset are not explicitly mentioned in the paper, but it can be inferred that the dataset contains point cloud data collected by multiple robots, as well as metrics for evaluating the effects of map fusion and optimization.

搜集汇总

数据集介绍

构建方式

MARS-LVIG数据集是通过多传感器融合技术构建的，特别关注LiDAR、视觉、惯性测量单元（IMU）和全球导航卫星系统（GNSS）的数据整合。该数据集采集自多种复杂环境，包括室内、室外及混合场景，确保了数据的多样性和广泛适用性。数据采集过程中，多个机器人协同工作，通过高精度传感器记录轨迹和点云信息，为后续的SLAM算法研究提供了丰富的实验材料。

使用方法

使用MARS-LVIG数据集时，研究人员可以通过其提供的多传感器数据，进行LiDAR-视觉-惯性-GNSS融合算法的开发和测试。数据集支持多机器人协作场景的研究，可用于评估SLAM系统的全局一致性和局部精度。具体使用时，可通过加载数据集中的点云、图像和惯性数据，结合提供的轨迹信息，进行算法验证和性能分析。此外，数据集还支持多会话地图融合的研究，适用于大规模环境下的机器人导航和定位任务。

背景与挑战

背景概述

MARS-LVIG数据集由香港科技大学智能驾驶与机器人实验室于2024年推出，旨在推动多传感器融合技术在自主机器人同步定位与建图（SLAM）领域的研究。该数据集创新性地整合了激光雷达、视觉、惯导及GNSS等多模态传感器数据，覆盖机场、山谷、城镇等多种复杂场景，总轨迹长度超过20公里，为研究异构传感器时空标定、多源数据融合等关键问题提供了高精度基准。其核心价值在于解决了传统单一传感器SLAM系统在长时序、大尺度环境中的累积误差问题，被广泛应用于无人机巡检、地下勘探等机器人协同作业场景。

当前挑战

MARS-LVIG数据集面临双重挑战：在领域层面，需解决多机器人点云地图的几何一致性优化难题，传统基于位姿图优化的方法因忽略点云结构特征，导致重叠区域出现地图模糊与错位；在构建层面，多源传感器时空同步精度要求达亚毫秒级，且需处理GPS拒止环境下GNSS信号缺失导致的全局参考系漂移问题。此外，数据标注需通过运动捕捉系统与人工校验相结合，确保厘米级绝对轨迹精度，这对大规模户外场景的数据采集提出了极高要求。

常用场景

经典使用场景

MARS-LVIG数据集在机器人协同建图领域具有重要应用价值，尤其适用于多机器人系统在大规模复杂环境中的三维地图构建与融合。该数据集通过提供多传感器（LiDAR、视觉、惯性、GNSS）的同步数据，为研究多机器人协同SLAM（同时定位与建图）提供了丰富的实验基础。其经典使用场景包括多机器人在GPS拒止环境下的协同探索，如地下空间、森林或城市峡谷等复杂地形，其中多源传感器的数据融合和全局一致性建图是关键挑战。

解决学术问题

该数据集有效解决了多机器人协同建图中的若干核心学术问题。首先，它通过提供精确的时间同步多传感器数据，解决了异构传感器标定与融合的难题；其次，其包含的大规模复杂场景数据为研究全局一致性优化算法（如位姿图优化和空间束调整）提供了验证平台；最重要的是，数据集中的多机器人轨迹重叠区域为研究地图发散消除、局部几何结构优化等关键问题提供了真实场景下的评估基准，推动了多机器人SLAM领域从粗对齐到高精度几何重建的理论发展。

实际应用

在实际应用层面，MARS-LVIG数据集支撑了多个重要场景的技术开发。在灾害救援中，多无人机通过该数据集验证的算法可实现废墟内部的三维重建；在基础设施巡检领域，异构机器人团队可基于数据集训练的模型协同完成桥梁、隧道等大型结构的毫米级精度建模；此外，该数据集还为自动驾驶车队在无GPS环境下的协同定位提供了测试基准，其多视角LiDAR点云融合方法已应用于矿区自动驾驶系统的开发。

数据集最近研究

最新研究方向

近年来，MARS-LVIG数据集在机器人SLAM领域的研究中展现出显著的影响力。该数据集以其多传感器融合的特性，为激光雷达-视觉-惯性-GNSS融合技术的研究提供了重要支持。最新的研究方向集中在多机器人协作SLAM系统，特别是在大规模环境下点云地图的全局一致性和几何精度优化方面。LEMON-Mapping框架的提出，通过引入空间束调整和两阶段位姿图优化，显著提升了多会话点云地图的融合质量。这一研究方向不仅解决了传统PGO方法在几何结构优化上的不足，还为搜索救援、森林监测等复杂场景下的多机器人协作提供了新的技术路径。

相关研究论文

• LEMON-Mapping: Loop-Enhanced Large-Scale Multi-Session Point Cloud Merging and Optimization for Globally Consistent Mapping

  IEEE Publication Technology Group · 2025年