PINS-Dataset

该数据集包含了由北京北斗星导航有限公司开发的KERNEL-100 IMU在圆形花坛和楼梯场景中收集的行人惯性导航系统数据。数据集旨在为PINS研究人员提供公共数据，用于评估和改进在复杂场景如城市峡谷中的定位和导航技术。

This dataset comprises pedestrian inertial navigation system data collected by the KERNEL-100 IMU, developed by Beijing Beidou Star Navigation Co., Ltd., in scenarios such as circular flower beds and staircases. The dataset is intended to provide public data for PINS researchers to evaluate and enhance positioning and navigation technologies in complex environments like urban canyons.

原始信息汇总

PINS-Dataset 概述

数据集来源与应用场景

• 设备来源：数据集由北京北斗星通导航技术股份有限公司开发的KERNEL-100 IMU采集。
• 场景描述：数据集包含两个主要场景：
  • 圆形花坛场景：参与者在约27.6米周长的圆形花坛周围正常行走，起点和终点位置相同，系统误差约82毫米。
  • 楼梯场景：测试行人在楼梯上下移动时的惯性导航定位性能，从9楼到10楼再返回，共经过两段10级楼梯。

IMU参数

• 加速度计：
  • 测量范围：2000°/s
  • 采样率：500Hz
• 陀螺仪：
  • 测量范围：16g
  • 采样率：500Hz
• 通信模式：4~15V RS422

数据集格式

• 传感器使用：主要使用IMU的三轴加速度计和三轴陀螺仪。
• 采样率：500Hz
• 数据结构：
  • 前三个列记录行人移动过程中的x、y、z轴加速度数据。
  • 后三个列记录行人移动过程中的x、y、z轴角速度数据。

引用信息

• 引用文献：使用此数据集时，请引用以下文献：
  • R. Xu, S. Chen, W. Sun, Y. Lv, J. Luo and Y. Tang, "A SINS Error Correction Approach Based on Dual-Threshold ZV Detection and Cubature Kalman Filter," 2023 IEEE International Conference on Systems, Man, and Cybernetics (SMC), Honolulu, Oahu, HI, USA, 2023, pp. 1585-1590, doi: 10.1109/SMC53992.2023.10394644.

搜集汇总

数据集介绍

构建方式

PINS数据集旨在为复杂场景下的行人导航系统研究提供数据支持。该数据集通过北京北斗星通导航技术有限公司开发的KERNEL-100 IMU设备，分别在圆形花坛和楼梯场景中采集数据。实验设计包括在平坦地形中围绕周长约27.6米的圆形花坛行走，以及在楼梯场景中从9楼到10楼往返行走，确保起点与终点一致，以评估误差校正方法的性能。数据采集过程中，IMU的三轴加速度计和三轴陀螺仪以500Hz的采样率记录行人的运动数据。

使用方法

PINS数据集的使用方法较为直观，研究者可以通过GitHub页面获取数据文件。数据集以CSV格式存储，前三列为三轴加速度数据，后三列为三轴角速度数据。研究者可以利用这些数据开发或验证行人导航算法，特别是在复杂场景下的误差校正方法。使用该数据集时，建议参考数据集提供的场景描述和实验设计，以确保算法的评估具有可比性。如有疑问，可通过邮件联系数据集提供者获取进一步支持。

背景与挑战

背景概述

PINS-Dataset是由中国科学院自动化研究所的平行智能技术与系统实验室开发的一个公开数据集，旨在为基于足部绑定的惯性测量单元（IMU）的行人导航系统研究提供数据支持。该数据集创建于2023年，主要研究人员包括R. Xu、S. Chen等。数据集的核心研究问题在于解决复杂场景（如城市峡谷）中全球导航卫星系统（GNSS）因多路径效应导致的定位误差问题，通过IMU进行定位和导航。数据集采集自北京北斗星通导航技术有限公司开发的KERNEL-100 IMU，分别在圆形花坛和楼梯场景中进行实验。该数据集为行人导航系统的误差校正方法提供了重要的实验数据，对相关领域的研究具有重要影响力。

当前挑战

PINS-Dataset在解决行人导航系统定位误差问题时面临多重挑战。首先，复杂场景中的多路径效应和动态环境变化使得IMU数据的精确采集和处理变得困难，尤其是在城市峡谷和楼梯等高度变化的环境中。其次，构建过程中需要确保数据的准确性和一致性，例如在圆形花坛实验中，实验者需精确回到起点以评估误差校正方法的性能，这对实验设计和数据采集提出了较高要求。此外，IMU的高采样率（500Hz）和大量数据存储与处理也对计算资源和算法效率提出了挑战。这些挑战不仅体现在数据采集和处理的复杂性上，还反映在如何通过算法优化提升定位精度和系统鲁棒性上。

常用场景

经典使用场景

在复杂城市环境中，全球导航卫星系统（GNSS）的定位精度常受多径效应影响，而惯性测量单元（IMU）的应用成为解决这一问题的关键。PINS-Dataset通过采集足部绑定的IMU数据，为研究者在圆形花坛和楼梯场景下的行人导航系统提供了宝贵的数据资源。该数据集不仅支持惯性导航算法的开发与验证，还为多场景下的定位误差校正提供了实验基础。

解决学术问题

PINS-Dataset的推出填补了足部绑定IMU数据在行人导航系统研究中的空白。通过提供高精度的加速度计和陀螺仪数据，该数据集为研究者开发误差校正算法提供了实验依据。例如，基于双阈值零速检测和容积卡尔曼滤波的误差校正方法，能够显著降低定位误差，为复杂场景下的行人导航提供了新的解决方案。

实际应用

PINS-Dataset在实际应用中展现了广泛的价值。例如，在城市峡谷、室内环境或地下空间等GNSS信号受限的场景中，基于该数据集的惯性导航系统能够实现高精度的行人定位。此外，该数据集还可用于智能交通系统、应急救援以及无人驾驶等领域，为复杂环境下的定位技术提供了可靠的数据支持。

数据集最近研究

最新研究方向

在复杂城市环境中，全球导航卫星系统（GNSS）的多路径效应显著影响了定位精度，促使惯性测量单元（IMU）在定位与导航领域的研究日益受到关注。PINS-Dataset作为专注于足部绑定的IMU数据集，为研究者在城市峡谷等复杂场景下的行人导航系统提供了宝贵的数据资源。该数据集通过采集KERNEL-100 IMU在圆形花坛和楼梯场景中的运动数据，为误差校正算法的性能评估提供了实验基础。近年来，基于双阈值零速检测和容积卡尔曼滤波的SINS误差校正方法成为研究热点，相关成果已在2023年IEEE国际系统、人与控制论会议上发表。PINS-Dataset的发布不仅填补了足部绑定IMU数据集的空白，还为行人导航系统的算法优化与场景适应性研究提供了重要支持，推动了该领域的技术进步与创新。