Verti-Wheelers

Verti-Wheelers数据集由乔治梅森大学计算机科学系创建，旨在支持轮式机器人在垂直挑战性地形中的移动研究。该数据集包含两个轮式机器人在自定义测试床上手动驾驶通过不同垂直挑战性地形的记录，共计116,810个数据帧。数据集内容包括RGB图像、深度图像、轮速、地面速度、差速释放/锁定状态、低/高齿轮切换状态、线性速度和转向角度。创建过程中，研究人员通过多次重新配置测试床并手动驾驶机器人来收集数据。该数据集的应用领域主要集中在提高轮式机器人在复杂地形中的自主导航能力，解决传统轮式机器人无法通过垂直障碍的问题。The Verti-Wheelers dataset was developed by the Department of Computer Science at George Mason University to support research on the mobility of wheeled robots in vertical challenging terrains. It comprises recordings of two wheeled robots manually navigating various vertical challenging terrains on a custom-built testbed, with a total of 116,810 data frames. The dataset includes RGB images, depth images, wheel speeds, ground velocity, differential lock/release states, low/high gear shift states, linear velocity, and steering angle. To compile this dataset, researchers repeatedly reconfigured the testbed and manually operated the robots to collect the data. The primary applications of this dataset focus on enhancing the autonomous navigation capabilities of wheeled robots in complex terrains, addressing the issue that traditional wheeled robots cannot traverse vertical obstacles.

搜集汇总

数据集介绍

构建方式

在机器人学领域，针对垂直挑战性地形的导航研究通常依赖于复杂硬件或仿真环境，而Verti-Wheelers数据集的构建则通过实际物理平台采集真实世界数据。该数据集基于两个轮式机器人平台（六轮与四轮配置），在一个可重构的室内测试平台上进行数据收集，测试平台由数百块平均尺寸为30厘米的岩石随机堆叠而成，模拟了崎岖不平的垂直地形环境。数据采集过程中，机器人由操作员通过第一人称视角进行远程操控，确保仅使用车载传感器信息，从而模拟自主导航的感知条件。所收集的数据流包括RGB与深度图像、车轮转速、地面速度、差速器锁状态、高低档切换以及线速度与转向角等多维信息，最终形成了包含数万帧数据的结构化数据集。

使用方法

该数据集主要用于推动数据驱动的轮式机器人地形导航研究，特别适用于模仿学习与端到端控制策略的开发。研究者可以利用数据集中的多模态传感器数据训练神经网络模型，学习从感知输入到运动控制指令的映射关系，实现机器人在垂直挑战性地形上的自主通过。数据集支持对不同算法进行基准测试，例如开放循环控制、基于规则的控制器以及行为克隆等方法的性能比较。此外，数据集中包含的两种平台数据允许进行跨平台迁移学习研究，探索机械能力差异对学习策略泛化性的影响。数据集公开提供，便于社区复现实验并推动轮式机器人在非结构化环境中的导航技术进步。

背景与挑战

背景概述

在移动机器人领域，传统轮式机器人通常被限制在平坦环境中运行，其导航系统将工作空间简化为可通行区域与障碍物的二元划分。这种处理方式在现实世界的崎岖越野环境中显著限制了机器人的机动性，因为许多垂直凸起的地形（如不规则岩石和倒下的树干）会被视为不可逾越的障碍。为了提升轮式机器人在垂直挑战地形中的移动能力，乔治梅森大学计算机科学系的Aniket Datar、陈辉潘、Mohammad Nazeri和肖雪苏等研究人员于2023年提出了Verti-Wheelers数据集。该数据集的核心研究问题在于探索传统轮式平台在无需重大硬件改造的情况下，如何通过数据驱动方法实现对垂直挑战地形的自主穿越，从而扩展轮式机器人在复杂户外环境中的实际应用潜力，为机器人导航研究开辟了新的方向。

当前挑战

Verti-Wheelers数据集旨在解决轮式机器人在垂直挑战地形中的导航问题，其核心挑战在于如何准确建模复杂的地形-车辆动力学交互，并实现稳健的自主控制策略。构建过程中面临的挑战包括：在数据采集阶段，需设计能够感知车轮打滑、地面速度及地形几何的多模态传感器系统，并确保在极端姿态变化下感知数据的连续性；同时，构建具有高度可重构性的室内测试平台以生成多样化且可控的地形场景，也涉及复杂的工程实现。此外，数据驱动方法的有效性依赖于高质量的人类演示数据，而不同机械能力的平台（如六轮与四轮机器人）会导致演示质量差异，这为跨平台模型泛化带来了额外挑战。

常用场景

经典使用场景

在机器人移动性研究领域，Verti-Wheelers数据集为探索轮式机器人在垂直挑战性地形上的自主导航提供了关键实验平台。该数据集最经典的应用场景是作为数据驱动方法的训练与验证基础，支持行为克隆等模仿学习算法开发。研究人员利用其包含的多模态传感器数据——包括RGB-D图像、轮速、地面速度及控制指令——构建端到端的运动策略模型，使传统轮式机器人能够学习人类操作员在复杂岩石地形中的驾驶技巧，从而突破平面工作空间的限制。

解决学术问题

该数据集主要解决了轮式机器人在非结构化户外环境中因地形垂直突起而被误判为不可穿越障碍的学术难题。传统导航系统通常将工作空间二分为可通行区域与障碍物，这严重限制了机器人在真实崎岖地形中的可达性。Verti-Wheelers通过提供实际地形交互数据，促进了车辆-地形复杂动力学模型的隐式学习，为轮式平台在垂直挑战性地形上的运动规划与控制研究提供了实证基础，推动了移动机器人领域从平面导航向三维地形适应性的范式转变。

实际应用

在实际应用层面，Verti-Wheelers数据集支撑的技术可显著增强轮式机器人在野外勘探、灾害救援及行星探测等任务中的地形适应能力。例如，在自然灾害后的废墟搜救中，配备相关算法的轮式机器人能够自主穿越瓦砾堆、倒伏树木等不规则障碍，扩大搜索范围。数据集驱动的学习系统还能降低对专用硬件（如腿式或履带平台）的依赖，使广泛部署的传统轮式机器人能够在保持平坦地形高效移动的同时，具备应对垂直地形的冗余能力。

数据集最近研究

最新研究方向

在机器人移动性研究领域，Verti-Wheelers数据集正推动着轮式机器人在垂直挑战地形中导航的前沿探索。该数据集通过提供六轮与四轮平台在复杂岩石地形中的多模态传感器数据，包括RGB-D图像、轮速与地面速度信息，为数据驱动的移动性算法开发奠定了坚实基础。当前研究聚焦于利用模仿学习与行为克隆技术，从人类演示数据中提取运动策略，使传统轮式机器人能够自主穿越以往被视为不可逾越的障碍地形。这一方向不仅挑战了传统导航系统中二值化障碍物划分的局限性，还促进了跨平台迁移学习与具身不匹配问题的研究，为野外搜救、行星探测等极端环境应用开辟了新的可能性。

相关研究论文

• Toward Wheeled Mobility on Vertically Challenging Terrain: Platforms, Datasets, and Algorithms

  乔治梅森大学计算机科学系 · 2024年