XA-L&RSI

XA-L&RSI数据集是由厦门大学福建省智能城市感知与计算重点实验室构建的，该数据集包含大约110,000个高分辨率遥感子图和13,000个与之对应的激光雷达点云子图，这些子图均采集自厦门翔安区的城市场景。数据集旨在用于跨视图激光雷达定位研究，减少对预先构建的3D地图的依赖，通过利用易于获取的空中影像作为地图代理。数据集在语义域中展示了激光雷达点云和遥感影像之间的强烈相关性，适用于大规模城市场景的定位研究。

The XA-L&RSI Dataset was constructed by the Fujian Provincial Key Laboratory of Smart City Perception and Computing, Xiamen University. It contains approximately 110,000 high-resolution remote sensing sub-images and 13,000 corresponding LiDAR point cloud sub-images, all collected from urban scenarios in Xiang'an District, Xiamen. This dataset is intended for cross-view LiDAR localization research, aiming to reduce reliance on pre-built 3D maps by leveraging easily accessible aerial imagery as a map proxy. It demonstrates a strong correlation between LiDAR point clouds and remote sensing images in the semantic domain, making it suitable for localization studies in large-scale urban scenarios.

搜集汇总

数据集介绍

构建方式

XA-L&RSI数据集的构建过程基于大规模城市场景中的LiDAR点云数据和高分辨率遥感影像。首先，研究团队从AIRSAT技术集团购买了覆盖厦门翔安区的高分辨率遥感影像，并从中提取了约110,000个遥感子图。同时，使用Ouster OS1-64 LiDAR设备在翔安区采集了13,000个LiDAR点云子图。为了确保数据的准确性，研究团队通过GPS/INS获取了地面真值和模拟方向信息。数据集被划分为训练集和测试集，训练集包含12,194个点云子图和47,913个遥感子图，测试集则根据不同的检索范围（4km²、9km²、16km²和100km²）进行了划分。此外，为了避免训练过程中的混淆，研究团队手动排除了地面与空中语义信息不一致的数据，如高架桥、被树木完全遮挡的路段和施工区域。

使用方法

XA-L&RSI数据集的使用方法主要围绕跨视图LiDAR定位任务展开。研究人员可以通过深度学习网络将LiDAR点云子图和遥感子图编码到共享特征空间中，并使用相似性度量（如点积）进行检索。数据集提供了详细的训练和测试划分，研究人员可以利用训练集训练模型，并在不同规模的测试集上评估模型的性能。此外，数据集还支持跨场景泛化测试，研究人员可以直接在Oxford-L&RSI数据集上测试模型的泛化能力，而无需进行微调。通过结合动态高斯混合模型的概率传播算法，研究人员可以进一步优化检索结果，提升定位精度。

背景与挑战

背景概述

XA-L&RSI数据集由厦门大学智能城市感知与计算福建省重点实验室的研究团队于2025年构建，旨在解决大规模城市场景中的LiDAR定位问题。该数据集包含约110,000张高分辨率遥感子图和13,000个LiDAR点云子图，覆盖了超过100平方公里的城市区域。研究团队提出了一种名为L2RSI的创新方法，通过跨视图和跨模态的语义对齐，实现了无需预先构建3D地图的大规模定位。这一方法显著降低了传统LiDAR定位对昂贵且耗时的3D地图的依赖，为自动驾驶和机器人导航提供了新的解决方案。XA-L&RSI的构建标志着大规模城市场景中LiDAR定位技术的重大突破，具有广泛的应用前景。

当前挑战

XA-L&RSI数据集在解决LiDAR定位问题时面临多重挑战。首先，跨视图和跨模态的语义对齐是一个核心难题，LiDAR点云与遥感图像在内容和风格上存在显著差异，尽管它们在语义上具有强相关性。其次，构建过程中需要处理大规模数据的高效采集与对齐，尤其是在城市环境中，数据采集受到交通、建筑物遮挡等因素的限制。此外，数据集中存在地面与空中语义信息不一致的情况，如高架道路、被树木完全遮挡的路段等，这些都需要在数据预处理阶段进行精细处理。最后，如何在100平方公里的范围内实现高精度的定位，同时保持跨场景的泛化能力，是XA-L&RSI数据集及其方法L2RSI需要持续优化的关键挑战。

常用场景

经典使用场景

XA-L&RSI数据集在跨视角LiDAR定位领域具有重要应用，特别是在大规模城市环境中。该数据集通过结合高分辨率遥感图像和LiDAR点云数据，为机器人导航和自动驾驶系统提供了精确的位置识别能力。其经典使用场景包括在没有预先构建的3D地图的情况下，通过遥感图像作为地图代理，实现大规模城市环境中的位置检索。

解决学术问题

XA-L&RSI数据集解决了LiDAR定位领域中的两个关键学术问题：跨视角和跨模态的位置识别。传统方法依赖于昂贵的3D地图，而该数据集通过语义对比学习网络，将LiDAR点云与遥感图像在语义空间中对齐，显著降低了定位成本。此外，提出的动态高斯混合模型概率传播算法进一步提升了位置预测的精度，解决了单次查询结果不可靠的问题。

实际应用

XA-L&RSI数据集的实际应用场景广泛，特别是在自动驾驶和机器人导航领域。通过利用高分辨率遥感图像作为地图代理，该数据集能够在100平方公里的范围内实现95.08%的Top-1召回率，显著提升了大规模城市环境中的定位精度。此外，其跨场景泛化能力使得该技术在不同城市环境中无需微调即可应用，具有较高的实用价值。

数据集最近研究

最新研究方向

在自动驾驶和机器人导航领域，基于LiDAR的地点识别技术正逐渐成为研究热点。XA-L&RSI数据集的提出，为大规模城市环境中的跨视角、跨模态地点识别提供了新的解决方案。该数据集通过结合高分辨率遥感影像和LiDAR点云数据，解决了传统方法依赖昂贵且耗时的3D地图的问题。最新的研究方向集中在语义对比学习网络的构建上，通过将LiDAR点云与遥感影像的全局描述符在语义空间中对齐，显著提升了地点识别的准确性和鲁棒性。此外，基于动态高斯混合模型的概率传播算法进一步优化了位置预测的精度，使得在100km²范围内，L2RSI方法在Top-1检索中的召回率达到了95.08%。这一成果不仅展示了该技术在大规模城市环境中的实际应用潜力，也为未来的跨场景泛化研究奠定了基础。

相关研究论文

• L2RSI: Cross-view LiDAR-based Place Recognition for Large-scale Urban Scenes via Remote Sensing Imagery

  厦门大学 · 2025年