OdomBeyondVision

OdomBeyondVision是一个室内多模态多平台里程计数据集，涵盖多种传感器和移动平台。该数据集包含传统传感器如IMUs、机械LiDAR、RGBD相机，以及新兴传感器如单芯片毫米波雷达、LWIR热像仪和固态LiDAR。数据集记录了在不同室内场景和光照条件下的多模态里程计数据和运动轨迹，总轨迹长度超过10公里。此数据集旨在通过提供丰富的传感器数据，支持多模态里程计系统的开发和测试，特别适用于解决低光照、高动态范围和复杂环境下的定位与导航问题。

OdomBeyondVision is an indoor multimodal multi-platform odometry dataset covering diverse sensors and mobile platforms. This dataset includes conventional sensors such as IMUs, mechanical LiDAR, and RGBD cameras, as well as emerging sensors including single-chip millimeter-wave radars, LWIR thermal imagers, and solid-state LiDARs. It records multimodal odometry data and motion trajectories across various indoor scenes and lighting conditions, with a total trajectory length exceeding 10 kilometers. This dataset aims to support the development and testing of multimodal odometry systems by providing rich sensor data, and is particularly suitable for addressing positioning and navigation challenges in low-light, high dynamic range, and complex environments.

搜集汇总

数据集介绍

构建方式

在室内定位与导航领域，多模态传感器融合已成为提升系统鲁棒性的关键路径。OdomBeyondVision数据集的构建过程体现了这一前沿趋势，其采集工作依托于手持设备、无人地面车辆（UGV）与无人机（UAV）三种移动平台，在四种不同建筑的多样室内场景中展开。数据采集涵盖了七类典型环境，包括走廊、玻璃幕墙区域、中庭及食堂等，并特别设计了线性、环形与八字形等多种运动轨迹，以模拟真实场景中的复杂运动模式。所有序列均以六自由度形式记录，并针对各平台提供了精确的外参标定与传感器内参，确保了多源数据在时空上的一致性。

特点

OdomBeyondVision的突出特点在于其跨越可见与不可见光谱的广泛传感器覆盖。除了包含传统的机械激光雷达、RGB-D相机与惯性测量单元外，该数据集率先集成了新兴的单芯片毫米波雷达、长波红外热成像相机与固态激光雷达。这些传感器在电磁频谱上形成互补，使数据集能够应对低光照、高动态范围及视觉混淆等挑战性条件。此外，数据集的平台多样性、超过十公里的轨迹总长度以及在多种光照条件下的采集策略，共同构成了一个极具代表性与挑战性的基准测试环境。

使用方法

为促进多模态里程计研究，该数据集提供了完整的工具包与详尽的文档说明。研究者可利用其进行传感器融合算法的开发与评估，特别是在毫米波雷达与热成像相机等新兴模态的里程计应用上。数据集附带了雷达里程计、雷达-惯性里程计以及热成像-惯性里程计的示例实现代码，便于进行性能对比与算法改进。使用前，需依据提供的标定参数对各传感器数据进行时空对齐，随后可基于划分好的训练与测试序列，利用绝对轨迹误差与相对位姿误差等标准指标进行定量评估。

背景与挑战

背景概述

在自主导航与机器人定位领域，多模态里程计数据集对于推动传感器融合算法的发展具有关键作用。OdomBeyondVision数据集由爱丁堡大学、牛津大学等机构的研究团队于2022年联合创建，旨在解决传统视觉或激光雷达在低光照、高动态范围等复杂室内环境中性能受限的问题。该数据集首次同时集成了毫米波雷达、长波红外热成像相机及固态激光雷达等新兴传感器，并涵盖无人机、地面机器人与手持设备三种移动平台，在超过10公里的多样化室内轨迹中采集数据，为跨频谱多平台里程计研究提供了前所未有的基准资源。

当前挑战

OdomBeyondVision数据集致力于应对复杂室内环境下鲁棒位姿估计的挑战，其核心在于解决单一传感器在特定场景中的固有缺陷，例如视觉传感器在低光照条件下的失效，或激光雷达在烟雾环境中的性能下降。在构建过程中，研究团队面临多传感器时空同步、跨平台标定以及大规模室内场景真值获取等难题。尤其是毫米波雷达点云稀疏性与热成像相机固定模式噪声，为数据质量保障与算法评估带来了显著困难。

常用场景

经典使用场景

在室内自主导航与定位领域，OdomBeyondVision数据集为多模态里程计算法的评估提供了关键基准。该数据集通过整合毫米波雷达、长波红外热像仪及固态激光雷达等新兴传感器，覆盖了从可见光到不可见电磁频谱的广泛范围，使得研究者能够在多样化照明条件及复杂室内环境中系统性地测试算法性能。其经典使用场景包括在低光照、高动态范围或存在空气颗粒物的挑战性环境下，评估视觉、激光雷达与惯性测量单元融合系统的鲁棒性与精度，为室内机器人、无人机及手持设备的实时运动估计提供了丰富的实验数据支撑。

衍生相关工作

基于OdomBeyondVision数据集，学术界已衍生出一系列经典的多模态里程计研究工作。例如，MilliEgo框架利用深度学习融合毫米波雷达与惯性数据，实现了在稀疏点云条件下的稳健运动估计；DeepTIO方法则通过热图像幻觉网络增强视觉特征，解决了热成像传感器在特征缺失场景下的里程计难题。此外，研究者们借鉴该数据集的标定与评估协议，开发了如雷达-惯性里程计（RIO）与热-惯性里程计（TIO）等新型融合算法，这些工作不仅验证了数据集的实用价值，还推动了跨频谱感知、端到端学习以及多平台自适应估计等前沿方向的技术演进。

数据集最近研究

最新研究方向

在机器人定位与导航领域，OdomBeyondVision数据集凭借其覆盖毫米波雷达、长波红外热成像及固态激光雷达等新兴传感器的多模态特性，正推动室内复杂环境下鲁棒性里程计研究的前沿探索。当前研究聚焦于利用深度学习框架，如MilliEgo和DeepTIO，实现雷达-惯性及热成像-惯性数据的深度融合，以应对低光照、烟雾等传统视觉或激光传感器失效的挑战。该数据集通过无人机、地面车辆及手持平台采集的多样化运动轨迹，为多平台自适应算法提供了基准测试环境，促进了跨电磁频谱的传感器融合技术在自主系统、增强现实等热点应用中的发展，对提升室内导航的精确性与可靠性具有重要科学意义。

相关研究论文

• OdomBeyondVision: An Indoor Multi-modal Multi-platform Odometry Dataset Beyond the Visible Spectrum

  爱丁堡大学信息学院 · 2022年