机器人跨场景路径规划数据集

CLBMN是由山东大学控制科学与工程学院机器智能与系统控制教育部重点实验室构建并发布的一个专门用于机器人多模态连续导航的数据集基准 。在长周期的顺序环境任务中，移动机器人需要适应环境变化（如光照、天气）并规避未见过的障碍物，这对机器人的连续学习（Continual Learning）能力提出了挑战 。现有的研究通常仅依赖单模态（如仅激光雷达或仅RGB图像），限制了机器人的感知能力 。同时，现有的自动驾驶数据集（如KITTI）主要针对视觉感知任务，缺乏专门针对机器人导航速度指令输出的连续任务数据 。CLBMN数据集旨在填补这一空白，通过提供多模态感知数据，支持研究人员开发能够抵抗“灾难性遗忘”的端到端导航算法，提升机器人在顺序变化环境中的适应性。该数据集基于CARLA模拟器（CARLA 0.9.13）构建的数字孪生环境产生 。采集平台集成了实时光线追踪渲染引擎，能够模拟物理级准确的传感器数据 。数据采集通过人工在模拟器中驾驶机器人车辆完成 。数据集包含三种同步的模态数据。图像模态由安装在车身前方2米、高度2米的RGB相机采集，分辨率为800×600，提供了关于可通行区域的视觉信息 。点云模态由单线激光雷达（LiDAR）采集，最大探测范围100米，提供精确的障碍物距离测量数据（已处理为标准二进制.npy格式）。里程计模态记录了机器人的位置、姿态（四元数）、线速度和角速度，用于实时跟踪车辆状态并作为导航控制的标签 。CLBMN数据集涵盖了5种不同的连续场景：白天、夜间、雨天、高速公路、野外 。这种设计旨在让模型学习一种场景的导航策略后，评估其在已学和未学环境中的表现 。数据集总共包含10,000个样本（部分文档提及图片数达12,000张），采集频率为5Hz 。数据已按场景分类并划分为训练集和验证集，能够支持不少于10个连续学习任务的评估 。