i2Nav-Robot

i2Nav-Robot是一个大型数据集，专为室内外环境下的多传感器融合导航和制图设计。该数据集整合了多种模式传感器，包括最新的前视和360度固态激光雷达、4维(4D)雷达、立体相机、测距仪、全球导航卫星系统(GNSS)接收器和惯性测量单元(IMU)，所有这些都被安装在全方位轮式机器人上。数据集包含10个大规模序列，涵盖了多种UGV操作场景，如户外街道和室内停车场，总长度约为17060米。高频率的地面真实数据，具有厘米级的精度，通过使用导航级IMU的后处理集成导航方法获得。该数据集由10多个开源的多传感器融合系统进行了评估，证明了其数据质量的优越性。i2Nav-Robot is a large-scale dataset designed for multi-sensor fusion navigation and mapping in both indoor and outdoor environments. This dataset integrates a variety of multi-modal sensors, including state-of-the-art forward-looking and 360-degree solid-state LiDARs, 4-dimensional (4D) radars, stereo cameras, rangefinders, Global Navigation Satellite System (GNSS) receivers, and Inertial Measurement Units (IMUs), all of which are mounted on an omnidirectional wheeled robot. The dataset consists of 10 large-scale sequences, covering various Unmanned Ground Vehicle (UGV) operation scenarios such as outdoor streets and indoor parking lots, with a total length of approximately 17,060 meters. High-frequency ground truth data with centimeter-level accuracy is obtained via post-processed integrated navigation methods using navigation-grade IMUs. This dataset has been evaluated by more than 10 open-source multi-sensor fusion systems, demonstrating the superiority of its data quality.

搜集汇总

数据集介绍

构建方式

i2Nav-Robot数据集基于四轮全向移动机器人平台构建，集成了多种模态传感器，包括前视固态激光雷达（Hesai AT128）、360度固态激光雷达（Livox Mid360）、4D毫米波雷达（Continental ARS548）、立体相机、全球导航卫星系统接收器、惯性测量单元以及轮式里程计。所有传感器均通过触发式硬件同步和基于精确时间协议的硬件同步实现微秒级时间对齐，对于不支持硬件同步的雷达和里程计，则采用基于速度的离线标定方法补偿固定时间偏移。数据采集覆盖武汉大学校园内的室外街道、室内停车场及室内外混合建筑等十种大规模场景，总轨迹长度超过17060米。地面真值由导航级惯性测量单元结合后处理GNSS/INS紧耦合或地图匹配/INS融合方法生成，提供厘米级位置、姿态和速度信息，频率高达200赫兹。

特点

该数据集的核心特点在于其传感器配置的前沿性与完备性，首次在UGV数据集中集成了量产级前视固态激光雷达和4D毫米波雷达，填补了现有数据集在新型传感器支持上的空白。时间同步精度优于1毫秒，显著优于传统软件同步方法，为多传感器融合导航提供了可靠的时间基准。十组大规模序列涵盖了GNSS退化、光照变化、运动模糊、无结构环境和动态物体等多种挑战性场景，全面考验算法的鲁棒性。地面真值不仅包含高精度位置和姿态，还提供了速度信息，且在所有场景（包括GNSS拒止环境）中均保持厘米级精度，克服了现有数据集在室内大规模场景中真值缺失的局限。

使用方法

数据集以ROS bag文件格式提供，用户可直接回放和调用各传感器话题数据，包括IMU、GNSS、激光雷达点云、相机图像、4D雷达点云和里程计信息。同时提供IMU、GNSS和里程计的原始文本文件，便于GNSS/INS集成等应用。地面真值以两种格式提供：高频的“*_groundtruth.nav”文件和包含位置与姿态四元数的“*_trajectory.csv”文件。用户可根据序列特点选择使用GNSS/INS或地图匹配真值，并利用提供的标定文件进行空间同步。数据集已通过超过十种开源里程计和GNSS融合系统的验证，确保数据质量可靠，适用于SLAM、多传感器融合导航及大规模地图构建等研究任务。

背景与挑战

背景概述

随着自主无人地面车辆（UGV）在物流、清洁、巡检等领域的广泛应用，精确且可靠的导航与建图能力成为其自主运行的核心支撑。然而，现有UGV数据集在传感器配置、时间同步、真值获取及场景多样性方面存在显著不足，难以满足现代多传感器融合导航技术发展的迫切需求。为弥补这一空白，武汉大学智能与集成导航研究组（i2Nav）于2025年发布了i2Nav-Robot数据集。该数据集由唐海亮、张提升、牛小骥等研究人员主导，依托全向轮式机器人平台，集成了包括前沿固态激光雷达、360度固态激光雷达、四维毫米波雷达、立体相机、GNSS接收机、惯性测量单元及轮速计在内的多模态传感器。数据采集覆盖校园建筑、户外街道、室内停车场等典型UGV运行场景，总计10个大规模序列，轨迹总长逾17060米。该数据集采用硬件同步与离线校准相结合的方式实现了微秒级时间同步，并利用导航级IMU通过后处理组合导航方法提供厘米级精度的位姿与速度真值。i2Nav-Robot的发布为多传感器融合导航与建图领域提供了高质量的数据支撑，已在超过十种开源融合系统中得到验证，展现出了卓越的数据质量与应用潜力。

当前挑战

i2Nav-Robot数据集在构建与使用过程中面临多重挑战。首先，在领域问题层面，现有UGV数据集普遍存在传感器配置滞后于量产车发展的问题，尤其是新型固态激光雷达（如Hesai AT128）与四维毫米波雷达尚未被广泛纳入，导致数据难以支撑现代多传感器融合导航算法的研发与评估。其次，在构建过程中，异构传感器（GNSS、IMU、相机、LiDAR、雷达等）的精确时间同步是一大难题，软件同步的误差可达毫秒级，可能导致较大导航误差，因此必须采用基于触发脉冲与精确时间协议（PTP）的硬件同步方案，并对不支持硬件同步的雷达与轮速计进行离线时间偏移校准。此外，在大规模室内或GNSS退化环境中获取高精度真值极具挑战性，传统运动捕捉系统受限于工作范围，而单一GNSS/INS组合在室内失效，因此需结合点云地图匹配与后处理组合导航方法，才能实现大尺度环境下的厘米级真值生成。最后，场景多样性要求数据覆盖室内外过渡、动态物体、弱纹理、结构缺失等复杂条件，对传感器的鲁棒性提出了严苛考验。

常用场景

经典使用场景

在自主无人地面车辆（UGV）的导航与建图领域，i2Nav-Robot数据集为多传感器融合方法提供了极具价值的评估平台。该数据集集成了前沿的固态激光雷达、四维毫米波雷达、立体相机、轮速计及惯性测量单元等异构传感器，覆盖室外街道、室内停车场及室内外过渡等典型场景。研究者可借助其全长逾17000米的十个大尺度序列，系统验证视觉-惯性-激光雷达里程计、多源融合SLAM及GNSS/INS组合导航算法的精度与鲁棒性，尤其适用于评估算法在GNSS退化、光照突变、运动模糊及动态物体干扰等挑战性环境中的表现。

实际应用

在实际应用中，i2Nav-Robot数据集直接服务于物流配送、清洁作业与安防巡逻等商用UGV的导航系统开发。其传感器配置紧密贴合量产UGV的硬件标准，如120°视场角固态激光雷达与四维雷达的引入，使得基于该数据集训练的算法可便捷迁移至真实商业平台。数据集涵盖的校园、建筑及停车场等封闭或半封闭环境，正是当前商用UGV的核心运行场景。因此，该数据集可加速鲁棒的多源融合定位模块从学术原型向工程产品的转化，助力UGV在复杂动态环境中实现全天候、高可靠的自主移动能力。

衍生相关工作

i2Nav-Robot数据集已催生了一系列具有影响力的开源工作。研究团队基于该数据集验证了超过十种经典里程计与GNSS融合系统，包括视觉惯性里程计VINS-Mono、OpenVINS，激光惯性里程计FAST-LIO2、FF-LINS，以及多源融合系统IC-GVINS和FAST-LIVO2等。这些工作不仅证明了数据集的高质量，还通过对比实验揭示了不同融合策略在特定场景下的优劣。此外，数据集提供的精确时空标定参数促进了在线标定算法（如LE-VINS中的相机-IMU时延估计）的发展，为后续研究者在多传感器融合、鲁棒状态估计与高精度地图构建等领域开辟了新的探索方向。