leggedrobotics/grand_tour_dataset

GrandTour数据集是由ETH Zurich的RSL实验室推出的一个机器人学数据集。该数据集包含机器人使用的各种传感器数据，如激光雷达、摄像头和惯性测量单元（IMU），主要用于机器人的算法性能研究，特别是四足机器人的研究。数据集的大小在1M到10M之间，遵循MIT许可证。数据集的收集使用了Boxi这一平台，并且项目团队鼓励社区贡献和反馈，以改进和扩展这个项目。The GrandTour Dataset is a robotics dataset brought to you by RSL - ETH Zurich. It includes data from various sensors used by robots, such as lidar, camera, and IMU, primarily for research on algorithmic performance in robotics, especially for quadruped robots. The dataset size ranges between 1M and 10M and is licensed under MIT. The data collection was performed using the Boxi platform, and the project team welcomes community contributions and feedback to improve and expand the dataset.

搜集汇总

数据集介绍

构建方式

在机器人学与感知领域，多传感器融合数据的获取对于足式机器人的自主导航至关重要。The GrandTour Dataset由苏黎世联邦理工学院机器人系统实验室（RSL）构建，旨在为足式机器人提供大规模、多模态的实地感知数据。该数据集通过名为Boxi的定制化数据采集平台进行收集，该平台集成了激光雷达、相机、惯性测量单元（IMU）等多种传感器，在多样化的真实环境中进行长时间、长距离的巡回采集，从而生成了超过百万级别的数据样本。数据采集过程注重场景多样性与传感器同步性，确保了数据在时空维度上的一致性与高保真度。

特点

该数据集的核心特点在于其专为足式机器人设计的多模态感知数据，覆盖了激光雷达、视觉与惯性测量单元等关键传感器模态，弥补了现有数据集在足式机器人领域的数据空白。数据规模达到百万级别（1M<n<10M），提供了丰富的场景覆盖与动态环境信息，有利于算法在复杂地形下的泛化能力评估。此外，数据集附带官方网页与开源工具（如Boxi硬件设计），促进了研究社区的可复现性与扩展性，为足式机器人的定位、建图与导航研究提供了坚实的数据基础。

使用方法

研究人员可通过官方数据集网页（grand-tour.leggedrobotics.com）获取数据，并参考GitHub仓库（github.com/leggedrobotics/grand_tour_dataset）中的入门指南与示例代码进行加载与预处理。数据集遵循MIT开源许可，便于学术与工业应用。使用时，推荐结合Boxi硬件平台的设计文档理解传感器配置与同步机制，从而高效地将数据应用于足式机器人感知算法的训练与测试。社区还计划在ICRA 2026举办研讨会，鼓励研究者通过GitHub提交贡献或反馈，以推动数据集的持续完善与协作研究。

背景与挑战

背景概述

在腿足机器人领域，多模态感知数据的匮乏长期制约着复杂地形自主导航与鲁棒控制算法的发展。为突破这一瓶颈，瑞士苏黎世联邦理工学院机器人系统实验室（RSL）于2025年发布了GrandTour数据集，由Jonas Frey、Turcan Tuna等研究人员主导构建。该数据集以自研的Boxi数据采集平台为核心，同步获取激光雷达、相机、惯性测量单元（IMU）及腿足运动学数据，旨在系统性地研究腿足机器人在非结构化环境中的感知-运动耦合问题。其发布不仅为运动规划、状态估计与同步定位与建图（SLAM）提供了高保真基准，更通过公开的硬件设计方案推动了可复现研究，对腿足机器人算法的标准化评估具有里程碑意义。

当前挑战

GrandTour数据集所面临的挑战主要体现在两个层面。在领域问题层面，腿足机器人需应对崎岖地形导致的传感器剧烈抖动与视场遮挡，传统轮式或飞行器数据集难以模拟其特有的间歇性足地接触与姿态突变，这对多模态数据的时间同步与空间标定精度提出了严苛要求。在构建过程中，Boxi平台需在野外长时间运行，传感器组件的温度漂移与机械振动会引入系统性噪声，而不同地形（如碎石坡、湿滑路面）的反射特性差异又导致激光雷达点云密度分布不均，增加了数据后处理的复杂度。此外，如何平衡高采样率与存储带宽，以及确保标签标注的一致性，亦是工程实现中的核心难点。

常用场景

经典使用场景

在机器人学与自主导航研究领域，The GrandTour Dataset 凭借其多模态传感器融合特性，成为四足机器人感知与运动规划研究的经典基准数据集。该数据集由苏黎世联邦理工学院RSL实验室发布，涵盖了激光雷达、相机、惯性测量单元等同步采集数据，并包含复杂地形下的长距离轨迹。其最经典的使用场景在于评估和训练基于学习的定位与建图算法，例如利用视觉-惯导-激光雷达联合优化实现无GPS环境下的鲁棒状态估计，为足式机器人在非结构化场景中的自主移动提供了标准化的验证平台。

实际应用

在实际工程应用中，The GrandTour Dataset 为工业巡检、灾害救援及农业勘探等场景下的四足机器人部署提供了关键数据支撑。例如，在矿山隧道或森林植被覆盖区域，机器人可借助该数据集训练的感知模型实现自主路径规划与障碍规避，无需依赖GPS信号。此外，该数据集还促进了低成本传感器套件与轻量化神经网络在嵌入式平台上的适配，加速了足式机器人从实验室原型到商业化产品的落地进程。

衍生相关工作

基于该数据集，衍生出了一系列具有影响力的研究工作。其中，Boxi平台的设计论文系统阐述了在算法性能约束下硬件与软件协同优化的设计决策，成为数据采集与算法验证的标杆。此外，多位学者利用该数据集提出了面向足式机器人的视觉-激光雷达深度融合定位框架，以及基于时序注意力机制的动态环境建图方法。这些工作不仅深化了对多模态感知融合的理解，还催生了ICRA 2026专题研讨会与社区论文的集体协作，进一步拓展了数据集在跨领域研究中的辐射效应。