VIODE

VIODE数据集是由东京大学和洛桑联邦理工学院合作创建的一个模拟数据集，旨在解决动态环境中视觉惯性里程计（VIO）的挑战。该数据集包含三个环境，每个环境有四个动态级别，逐步增加移动物体，总计12个序列。数据集内容包括同步的立体图像、IMU数据、地面实况轨迹和实例分割掩码。创建过程中，使用AirSim模拟器系统地引入移动物体，保持轨迹、光照条件和静态物体不变。VIODE数据集主要应用于评估和改进动态场景中VIO算法的性能，特别是在城市区域等动态环境中的机器人导航。

The VIODE dataset is a simulated dataset co-created by the University of Tokyo and École Polytechnique Fédérale de Lausanne (EPFL), aimed at addressing the challenges of visual-inertial odometry (VIO) in dynamic environments. This dataset includes three environments, each with four dynamic levels that progressively increase the number of moving objects, totaling 12 sequences in all. The dataset contains synchronized stereo images, IMU data, ground-truth trajectories, and instance segmentation masks. During its creation, the AirSim simulator was utilized to systematically introduce moving objects while maintaining consistent trajectories, lighting conditions, and static objects. The VIODE dataset is primarily applied to evaluate and enhance the performance of VIO algorithms in dynamic scenes, especially for robotic navigation in dynamic environments such as urban areas.

搜集汇总

数据集介绍

构建方式

在动态环境下的视觉惯性里程计研究中，数据集的构建需精准模拟真实场景的动态特性。VIODE数据集采用AirSim仿真平台，通过控制无人机在三种不同环境中执行相同轨迹，系统性地引入动态车辆以生成四个动态等级递增的序列。构建过程分为两步：首先以200Hz频率采集同步的IMU数据和地面真实位姿，随后以20Hz频率捕获立体RGB图像及实例分割掩码，确保光照、静态物体和轨迹的一致性，从而有效隔离动态对象对算法性能的影响。

特点

VIODE数据集的核心特点在于其动态环境的系统化设计。该数据集包含室内停车场、白天城市和夜间城市三种环境，每种环境均提供无动态、低动态、中动态和高动态四个序列，动态等级通过逐步增加移动车辆数量实现。数据集提供同步的立体图像、IMU数据、地面真实轨迹及实例分割掩码，并引入像素动态率和光流动态率两种量化指标，精确评估场景动态程度，为视觉惯性里程计算法在动态场景中的鲁棒性测试提供了标准化基准。

使用方法

使用VIODE数据集时，研究人员可将其作为动态环境下视觉惯性里程计算法的评估基准。数据集支持通过绝对轨迹误差和相对位姿误差等指标量化算法性能，并利用动态等级序列分析动态对象对定位精度的影响。用户可结合提供的实例分割掩码，开发基于语义信息的鲁棒性方法，例如通过掩码排除动态区域的特征点，以提升算法在高度动态场景中的稳定性。数据集公开可用，便于复现和比较不同VIO方法在统一动态条件下的表现。

背景与挑战

背景概述

在机器人导航领域，视觉惯性里程计（VIO）技术面临动态环境带来的严峻挑战。为应对这一难题，东京大学与洛桑联邦理工学院的研究团队于2021年联合推出了VIODE数据集。该数据集通过高保真无人机仿真平台AirSim构建，系统性地引入了不同数量的动态物体，旨在量化评估VIO算法在动态场景中的鲁棒性。其核心研究问题聚焦于解决动态物体对视觉定位的干扰，通过提供同步立体图像、惯性测量单元数据、真实轨迹及实例分割掩码，为相关领域的研究提供了重要的基准测试工具，推动了动态环境下定位算法的发展。

当前挑战

VIODE数据集致力于应对视觉惯性里程计在动态环境中的性能评估挑战。在领域问题层面，现有VIO算法通常基于静态世界假设，动态物体如行人、车辆会引入显著估计误差，导致算法性能下降；而构建过程中的挑战在于，真实世界数据难以在保持轨迹、光照一致的前提下系统控制动态物体数量，因此采用仿真方法生成数据，但需确保传感器模型与噪声贴近现实，以维持数据的可信度与实用性。

常用场景

经典使用场景

在动态环境下的视觉惯性里程计研究中，VIODE数据集被广泛用于评估和比较VIO算法的鲁棒性。该数据集通过模拟无人机在室内外环境中的飞行轨迹，并系统性地引入不同数量的动态车辆，为研究者提供了一个可控且可重复的实验平台。经典使用场景包括测试算法在从静态到高度动态序列中的性能变化，从而量化动态对象对定位精度的影响。

解决学术问题

VIODE数据集解决了动态环境中视觉惯性里程计算法评估标准缺失的学术问题。传统数据集往往缺乏对动态场景的系统性覆盖，导致难以定量分析算法鲁棒性。该数据集通过定义像素动态率和光流动态率等指标，为动态水平提供了可度量的基准。其意义在于推动了VIO算法在动态环境下的性能优化研究，并为语义信息融合等新方法提供了验证基础。

衍生相关工作

基于VIODE数据集，研究者们衍生出了一系列经典工作，主要集中在利用语义信息提升VIO鲁棒性的方法上。例如，论文中提出的VINS-Mask通过融合实例分割掩码，动态剔除特征点，显著降低了动态对象引起的误差。此外，该数据集也促进了如DynaSLAM II等多目标跟踪与SLAM结合的研究，推动了动态场景下同步定位与地图构建技术的发展。