SUG-UAV Multirotor Dataset with Multi-sensor Integration in Indoor and Urban Areas

该无人机数据集旨在支持无人机研究，如高精度定位和动态校准。数据集分为两类，分别适用于不同的研究需求。第一类数据集包含室内运动捕捉室收集的视觉、惯性和电机编码器信息，提供由运动捕捉生成的准确地面真实数据，适用于研究无人机动力学模型。另一类数据集在多种复杂户外场景中收集，使用多传感器融合定位算法生成高精度地面真实轨迹，适用于无人机定位和复杂环境中的场景重建研究。总共提供了9个序列的数据集，每个序列的原始测量时间戳都经过良好同步和精确校准。This UAV dataset is designed to support UAV-related research such as high-precision positioning and dynamic calibration. The dataset is divided into two categories tailored for distinct research requirements. The first category contains visual, inertial and motor encoder data collected in an indoor motion capture room, which provides accurate ground-truth data generated by motion capture and is suitable for research on UAV dynamic models. The second category is collected in various complex outdoor scenarios, where high-precision ground-truth trajectories are generated via multi-sensor fusion positioning algorithms, and it is applicable to research on UAV positioning and scene reconstruction in complex environments. A total of 9 sequences of datasets are provided, and the raw measurement timestamps of each sequence are well-synchronized and precisely calibrated.

原始信息汇总

SUG-UAV-Multirotor-Dataset-IPIN2024

简介

SUG-UAV Multirotor Dataset with Multi-sensor Integration in Indoor and Urban Areas

该无人机数据集旨在支持无人机研究，如高精度定位和动态校准。数据集分为两类，每部分针对不同的研究需求。第一类数据集包含在室内运动捕捉室收集的视觉、惯性和电机编码器信息。该数据集提供了由运动捕捉生成的准确地面真实数据，适用于研究无人机动力学模型。另一类数据在多种复杂户外场景中收集，使用多传感器融合定位算法生成高精度地面真实轨迹，可用于研究无人机在复杂环境中的定位和场景重建。总共提供了9个序列的数据集。特别地，每个序列中的原始测量时间戳已经过良好同步和精确校准。

无人机设置

<p align="center"> <img src="https://github.com/Printeger/SUG-UAV-Multirotor-Dataset-IPIN2024/blob/main/img/set1.png" height="300" /><img src="https://github.com/Printeger/SUG-UAV-Multirotor-Dataset-IPIN2024/blob/main/img/set2.png" height="300" /> </p>

数据收集环境

数据集在以下场景中收集： <p align="center"> <img src="https://github.com/Printeger/SUG-UAV-Multirotor-Dataset-IPIN2024/blob/main/img/scene.png" width="800" /> <figcaption>左：Polyu的运动捕捉室，中：香港科学园的环形交叉路口，右：PolyU的Hotel Icon的宴会厅</figcaption> </p>

数据集类别预览

类别	序列号	传感器	轨迹形状	长度/持续时间	地面真实数据
动态序列	Seq 1	相机/IMU/电机编码器	圆形	30.432米/27.050秒	运动捕捉
动态序列	Seq 2	相机/IMU/电机编码器	垂直椭圆形	18.568米/43.351秒	运动捕捉
动态序列	Seq 3	相机/IMU/电机编码器	鞍形	60.606米/59.366秒	运动捕捉
动态序列	Seq 4	相机/IMU/电机编码器	无限形	57.479米/110.784秒	运动捕捉
动态序列	Seq 5	相机/IMU/电机编码器	方形	45.070米/62.000秒	运动捕捉
动态序列	Seq 6	相机/IMU/电机编码器	自由形	71.004米/241.960秒	运动捕捉
LiDAR序列	Seq 7	LiDAR/IMU/UWB/GNSS	圆形	139.424米/136.903秒	LIO
LiDAR序列	Seq 8	LiDAR/IMU/UWB/GNSS	自由形	340.570米/452.999秒	GLIO
LiDAR序列	Seq 9	LiDATR/IMU	方形	76.317米/341.300秒	LIO

搜集汇总

数据集介绍

构建方式

该数据集的构建旨在支持无人机研究，特别是高精度定位和动态校准。数据集分为两类：室内运动捕捉室和复杂户外场景。室内部分通过视觉、惯性和电机编码器信息收集，利用运动捕捉系统生成精确的地面真实轨迹，适用于无人机动力学模型的研究。户外部分则在多样化的复杂环境中收集，采用多传感器融合定位算法生成高精度轨迹，适用于无人机定位和复杂环境中的场景重建研究。所有序列的原始测量时间戳均经过精确同步和校准。

特点

该数据集的显著特点在于其多传感器集成和场景多样性。室内部分提供由运动捕捉系统生成的精确地面真实轨迹，确保数据的高精度。户外部分则通过多传感器融合算法生成高精度轨迹，适应复杂环境的研究需求。此外，数据集中的时间戳同步和校准确保了数据的一致性和可靠性，为研究者提供了高质量的实验数据。

使用方法

使用该数据集时，研究者可以根据研究需求选择室内或户外数据序列。室内数据适用于无人机动力学模型和传感器校准研究，而户外数据则适用于复杂环境中的定位和场景重建。数据集提供了详细的传感器信息和轨迹形状，便于研究者进行数据分析和模型验证。通过访问提供的链接，研究者可以下载所需的数据序列，并利用同步和校准的时间戳进行进一步的实验和研究。

背景与挑战

背景概述

在无人机（UAV）技术迅速发展的背景下，SUG-UAV Multirotor Dataset with Multi-sensor Integration in Indoor and Urban Areas数据集应运而生，旨在支持高精度定位和动态校准等研究。该数据集由PolyU等机构的主要研究人员创建，分为室内和城市环境两类，分别收集了视觉、惯性、电机编码器和激光雷达等多传感器信息。室内部分利用动作捕捉系统生成精确的地面真实轨迹，适用于无人机动力学模型的研究；而城市部分则通过多传感器融合定位算法生成高精度轨迹，用于复杂环境下的定位和场景重建研究。该数据集的发布对无人机领域的研究具有重要推动作用。

当前挑战

该数据集在构建过程中面临多项挑战。首先，室内环境的动作捕捉系统需要高精度的同步和校准，以确保数据的准确性。其次，城市环境中的多传感器融合定位算法需处理复杂的环境变化和信号干扰，确保生成的高精度轨迹的可靠性。此外，数据集的多样性和复杂性要求研究人员在数据处理和分析过程中具备高度的专业知识和技能。这些挑战不仅考验了数据集构建的技术水平，也对其在实际应用中的效能提出了高要求。

常用场景

经典使用场景

在无人机研究领域，SUG-UAV Multirotor Dataset with Multi-sensor Integration in Indoor and Urban Areas 数据集的经典使用场景主要集中在高精度定位和动态校准方面。该数据集通过室内和城市复杂环境中的多传感器融合，提供了精确的轨迹数据，适用于研究无人机在不同环境下的定位精度和动态行为。例如，研究人员可以利用该数据集验证和优化多传感器融合算法，以提高无人机在复杂环境中的导航和定位能力。

实际应用

在实际应用中，SUG-UAV Multirotor Dataset with Multi-sensor Integration in Indoor and Urban Areas 数据集为无人机在室内和城市环境中的导航和定位提供了重要的支持。例如，在物流配送、建筑监测和紧急救援等领域，无人机需要具备高精度的定位能力。该数据集的实际应用场景包括但不限于无人机路径规划、环境感知和避障系统的开发，从而提升无人机在复杂环境中的操作效率和安全性。

衍生相关工作

基于SUG-UAV Multirotor Dataset with Multi-sensor Integration in Indoor and Urban Areas 数据集，衍生了一系列相关的经典工作。例如，研究人员利用该数据集开发了新的多传感器融合算法，显著提高了无人机在复杂环境中的定位精度。此外，该数据集还促进了无人机动力学模型的优化研究，推动了无人机在不同应用场景中的性能提升。这些衍生工作不仅丰富了无人机研究的理论基础，也为实际应用提供了强有力的技术支持。