IO-VNBD

IO-VNBD是一个专注于地面车辆定位的大规模、信息丰富的惯性导航和轮式里程计公共数据集。该数据集记录了在英国、尼日利亚和法国的公共道路上，使用配备有自我运动传感器的研究车辆进行的数据采集。数据集包含约40小时的车辆提取数据和约58小时的智能手机记录数据，覆盖了多种驾驶场景和道路类型。数据集的创建旨在促进定位算法的基准测试、快速开发和评估，特别是在GPS信号不可用的情况下，通过低成本传感器实现车辆和机器人的可靠定位。IO-VNBD is a large-scale, informative public dataset for inertial navigation and wheel odometry focused on ground vehicle localization. This dataset records data collected using research vehicles equipped with egomotion sensors on public roads across the United Kingdom, Nigeria, and France. It contains approximately 40 hours of vehicle-extracted data and 58 hours of smartphone-recorded data, covering a wide range of driving scenarios and road types. The dataset was developed to facilitate benchmarking, rapid development, and evaluation of localization algorithms, particularly for enabling reliable positioning of vehicles and robots via low-cost sensors in scenarios where GPS signals are unavailable.

搜集汇总

数据集介绍

构建方式

IO-VNBD数据集由英国考文垂大学团队构建，旨在为地面车辆定位研究提供大规模、信息丰富的惯性导航与里程计基准。数据采集使用福特Fiesta、沃尔沃XC70等多款实验车辆，搭载Racelogic VBOX Video HD2 CAN总线数据记录器（10Hz）和华为P20 Pro等智能手机（10Hz采样，1Hz GPS更新），在公共道路上行驶于英国、尼日利亚和法国。采集涵盖32种复杂驾驶场景（如急刹车、湿滑路面、泥路）及不同胎压条件，总计车辆数据约40小时/1300公里，智能手机数据约58小时/4400公里，以CSV格式存储于GitHub仓库。

特点

该数据集的核心特点在于其大规模、多样性和高信息密度。数据来自8位不同风格驾驶员（从防御型到激进型），覆盖城市道路、高速公路、环岛等路况，以及昼夜、雨天等环境。车辆CAN总线提供29维信息（如轮速、横摆角速度、制动压力），智能手机提供24维数据（如加速度计、陀螺仪、磁力计）。特别包含超过20分钟的静止数据用于传感器偏差估计，并标注了GPS信号中断时段，便于研究GPS缺失下的定位算法。

使用方法

数据集使用灵活，适用于监督学习训练和定位算法基准测试。用户可从GitHub下载CSV文件，利用提供的Python工具进行预处理。数据分为车辆（前缀V-）和智能手机（前缀S-）子集，部分已同步存储于“Synchronised V and S datasets”文件夹。研究者可基于车辆动力学与位移的关联，训练深度学习模型以校正惯性传感器误差，或评估不同场景下的定位精度。建议优先利用同步数据，并结合GPS中断标注进行鲁棒性验证。

背景与挑战

背景概述

在自主驾驶与智能车辆定位领域，低成本惯性导航传感器（INS）为全球定位系统（GPS）信号缺失环境下的车辆连续追踪提供了潜在解决方案。然而，传感器测量噪声导致的位置误差随时间呈指数级增长，严重制约了其在实际场景中的可靠性。为促进基于深度学习的惯性导航误差校正算法的研究、比较与部署，Uche Onyekpe等人于2021年创建了IO-VNBD（惯性与里程计车辆导航基准数据集）。该数据集由考文垂大学研究团队主导，在英国、尼日利亚和法国等地的公共道路上采集，涵盖了约40小时（车辆提取数据）和58小时（智能手机记录数据）的驾驶数据，总里程超过5700公里。其核心研究问题聚焦于利用低成本传感器实现高精度车辆定位，并通过多样的驾驶场景（如急刹车、环形交叉口、泥泞道路等）和不同轮胎压力设置，为算法鲁棒性评估提供了丰富基准，对推动自主导航技术发展具有重要价值。

当前挑战

IO-VNBD数据集所面临的挑战主要体现在两个方面。首先，在领域问题层面，低成本INS的噪声累积导致长时间GPS缺失下的定位精度严重退化，传统滤波方法难以应对复杂动态环境，而基于深度学习的误差补偿方法因缺乏大规模、多场景标注数据而发展受限。其次，在数据集构建过程中，挑战包括：多源传感器（车辆CAN总线与智能手机）的异构数据同步与坐标系校准，尤其是智能手机传感器轴与车辆运动轴的对齐受到约0.15g加速度和0.08 rad/s横摆角速度的振动干扰；GPS信号中断期间地面真值缺失的标注难题；以及在不同国家、道路类型、天气条件和驾驶员风格下采集数据时，需确保场景多样性与数据质量之间的平衡，同时管理超过100小时驾驶数据中传感器偏差、轮胎压力变化等复杂变量的影响。

常用场景

经典使用场景

IO-VNBD数据集专为地面车辆定位研究设计，其经典使用场景聚焦于全球卫星定位系统（GPS）信号缺失或受干扰的复杂环境下，利用低成本惯性导航传感器（INS）与里程计数据进行车辆连续、可靠的轨迹追踪。该数据集涵盖了英国、尼日利亚和法国多种真实道路环境，包括高速公路、乡村小道、城市拥堵路段以及泥泞、湿滑等恶劣路面条件，并记录了急刹车、急转弯、绕环岛等多样化驾驶操作，为训练和验证基于惯性测量单元（IMU）和轮速传感器的定位算法提供了丰富且真实的基准数据。

实际应用

在实际应用中，IO-VNBD数据集为自动驾驶汽车、物流配送机器人及移动测量系统在GPS拒止环境（如隧道、地下车库、城市峡谷和茂密林区）中的持续定位提供了关键验证工具。工程团队可利用该数据集训练鲁棒的传感器融合模型，使车辆仅依赖低成本IMU和轮速计即可实现米级甚至亚米级的定位精度，从而降低对昂贵高精度导航设备的依赖。此外，该数据集还支持智能手机内置传感器的定位算法开发，为大众化车载导航应用和共享出行服务的轨迹追踪提供了低成本、高可靠性的技术解决方案。

衍生相关工作

自发布以来，IO-VNBD数据集已衍生出一系列经典工作。其中，基于深度学习的惯性导航误差补偿模型成为研究热点，如利用长短期记忆网络（LSTM）或卷积神经网络（CNN）学习车辆动力学特征与位置位移之间的非线性映射关系，在GPS中断期间实现精准的航位推算。此外，研究者还基于该数据集开发了多传感器融合框架，将IMU、轮速计与视觉里程计或激光雷达数据进行紧耦合，进一步提升了复杂动态场景下的定位稳定性。这些衍生工作不仅验证了数据驱动方法在惯性导航中的有效性，也为低成本自主定位系统的工程落地提供了坚实的理论支撑。