NUFR-M3F

NUFR-M3F数据集是由东北大学创建的多模态室内SLAM数据集，涵盖了机器人可能遇到的多种挑战性场景，如无特征空间、反射表面和多层序列。数据集包含视觉、惯性和激光雷达传感器数据，支持多模态SLAM评估。创建过程中，数据通过移动机器人平台在东北大学的ISEC建筑的多层楼中收集，特别关注由于楼层布局相似性导致的感知混淆问题。该数据集旨在推动室内SLAM研究的进展，特别是在处理连续多层数据和提高SLAM算法可靠性方面。The NUFR-M3F dataset is a multimodal indoor SLAM dataset developed by Northeastern University (China). It encompasses a wide range of challenging scenarios that robots may encounter, including featureless spaces, reflective surfaces, and multi-floor sequences. The dataset comprises visual, inertial, and LiDAR sensor data, which supports multimodal SLAM evaluation. During the data collection process, a mobile robotic platform was used to gather data across multiple floors of the ISEC building at Northeastern University (China), with special emphasis on the perceptual confusion issue arising from similar floor layouts. This dataset is intended to promote the advancement of indoor SLAM research, especially in processing continuous multi-floor data and improving the reliability of SLAM algorithms.

搜集汇总

数据集介绍

构建方式

在室内同步定位与建图（SLAM）研究领域，构建能够反映真实世界复杂性的数据集至关重要。NUFR-M3F数据集的构建采用了多模态传感器融合策略，其硬件平台集成了七个全局快门相机、一个高精度MEMS惯性测量单元、一个ZED立体相机以及一台128通道高分辨率激光雷达。这些传感器被安装在移动机器人平台上，通过硬件同步机制确保时间一致性，并经过严格的空间标定以获取精确的外参关系。数据采集于东北大学ISEC建筑的多层空间，通过电梯跨楼层连续移动，覆盖了走廊、特征稀疏区域及动态环境等多种挑战性场景，轨迹设计包含闭环以支持回环检测与漂移评估。

特点

该数据集的核心特点在于其多层对称结构带来的感知混淆挑战，这在现代办公建筑中尤为典型。各楼层布局高度相似，导致视觉SLAM算法易在回环检测中发生跨楼层错误匹配。此外，数据集涵盖了玻璃反射面、特征缺失区域、动态障碍物及电梯内视觉退化等复杂情况，全面模拟了真实室内环境中机器人可能遭遇的感知难题。多模态数据的同步提供为视觉、惯性及激光雷达SLAM算法的比较与融合研究奠定了坚实基础，其大规模连续跨楼层序列在现有公开数据集中具有独特性。

使用方法

NUFR-M3F数据集适用于评估与改进多模态SLAM算法在复杂室内环境中的鲁棒性。研究者可分别利用其视觉、惯性或激光雷达数据流，测试各类SLAM框架在感知混淆、动态干扰及特征退化等场景下的性能。数据集提供了基于AprilTag标记的楼层级地面真值，可用于计算轨迹漂移误差。在使用时，建议按楼层分割序列进行算法验证，并重点关注跨楼层电梯过渡段中惯性数据的辅助作用。此外，该数据集支持对语义信息融合、噪声建模及传感器配置优化等前沿方向的探索，为提升室内自主系统的可靠性提供实证基础。

背景与挑战

背景概述

在机器人学领域，同时定位与建图（SLAM）技术是实现自主系统在未知环境中导航的核心。然而，SLAM算法的鲁棒性在实际部署中仍面临显著挑战，尤其是在复杂室内环境中。为应对这一难题，东北大学的研究团队于2023年推出了NUFR-M3F数据集，该数据集专注于多模态、多楼层的室内SLAM评估。数据集通过移动机器人平台在东北大学ISEC大楼的多层空间中采集，涵盖了对称楼层布局、特征缺失区域及动态对象等常见但棘手的场景。其传感器套件包括七个全局快门相机、高精度MEMS惯性测量单元、ZED立体相机以及128通道高分辨率激光雷达，提供了丰富的多模态数据。该数据集的发布旨在填补现有公开数据在室内多楼层连续序列方面的空白，推动SLAM算法在真实环境中的可靠性研究，并为感知混淆、视觉退化等关键问题的解决提供基准测试平台。

当前挑战

NUFR-M3F数据集所针对的领域挑战主要集中在室内SLAM的鲁棒性提升，特别是应对多楼层环境中因对称布局导致的感知混淆问题。这种结构相似性使得现有基于词袋模型的SLAM算法在重定位和闭环检测时易发生错误，从而引发轨迹漂移或建图失效。此外，数据采集过程本身也面临诸多技术难题：多传感器（包括相机、IMU和激光雷达）的硬件同步与空间校准要求极高，细微的偏差会累积为显著的测量误差；在缺乏GPS信号的室内环境中，地面真值获取依赖人工布置的AprilTag标记，但其覆盖范围有限，难以实现全程连续的高精度轨迹验证；同时，电梯过渡段等场景中，外部传感器数据缺失或退化，对惯性数据的噪声建模与融合提出了更精细的要求。这些挑战共同凸显了当前SLAM算法在处理大规模、动态且结构重复的室内环境时的局限性。

常用场景

经典使用场景

在室内同步定位与建图（SLAM）研究领域，NUFR-M3F数据集为评估多模态SLAM算法的鲁棒性提供了经典场景。该数据集通过移动机器人平台在东北大学ISEC建筑的多层空间中采集，涵盖了对称楼层布局、特征缺失区域、反射表面及动态物体等复杂室内环境。这些场景模拟了真实世界中机器人常遇到的挑战，如感知混淆和视觉退化，使得研究者能够系统测试算法在连续多层轨迹中的表现，尤其关注电梯过渡段中传感器失效情况下的定位精度。

实际应用

在实际应用中，NUFR-M3F数据集为室内自主导航系统的开发与优化提供了关键测试平台。例如，在商业办公楼、图书馆或医院等多层建筑中，服务机器人或巡检设备需应对相似布局导致的定位歧义。该数据集通过模拟电梯移动、玻璃反射及人流干扰等场景，帮助工程师验证SLAM系统在真实部署中的稳定性，进而提升机器人在复杂室内环境中的长期运行能力与地图构建精度。

衍生相关工作

基于NUFR-M3F数据集，研究者已衍生出多项经典工作，主要集中在多模态SLAM算法的改进与评估框架拓展。例如，利用该数据集的对称楼层挑战，推动了结合语义信息的回环检测方法，以区分视觉相似的区域；同时，数据集中丰富的传感器配置促进了视觉-惯性-激光雷达融合算法的比较研究，如对ORB-SLAM3、VINS-Fusion及LEGO-LOAM等算法的基准测试，进一步揭示了传感器校准与噪声建模对系统性能的影响。