tii-ratm-rosbag2

TII-RATM ROS2 Bags with OpenVINS VIO 数据集是一个用于SLAM评估的预录制ROS2数据包集合，包含了OpenVINS视觉惯性里程计、地面真实数据和合成门检测数据。数据集旨在无需运行OpenVINS即可直接用于SLAM评估。每个飞行目录包含一个mcap格式的数据包，其中包含多个主题，如OpenVINS VIO里程计、轨迹路径、地面真实位姿、原始IMU数据、相机图像等。数据集包含多个飞行记录，飞行轨迹包括椭圆和双纽线，每个飞行记录都有详细的持续时间、距离、平均速度等信息。此外，数据集还提供了门的位置信息、OpenVINS的配置细节（包括相机模型、内参、畸变参数等）、合成检测数据的使用说明以及时间戳纪元的相关信息。该数据集与原始TII-RATM数据集和OpenVINS系统相关，适用于机器人学、SLAM、视觉惯性里程计和无人机竞速等任务。The TII-RATM ROS2 Bags with OpenVINS VIO Dataset is a curated collection of pre-recorded ROS2 bags intended for SLAM evaluation, which contains OpenVINS visual-inertial odometry (VIO), ground-truth data, and synthetic gate detection data. This dataset is designed to enable direct SLAM evaluation without the need to run the OpenVINS system. Each flight directory contains an MCAP-formatted bag file that includes multiple topics, such as OpenVINS VIO odometry, trajectory paths, ground-truth poses, raw IMU data, camera images, and among others. The dataset includes multiple flight recordings with trajectories shaped as ellipses and lemniscates, and each flight record comes with detailed metadata including duration, traveled distance, average speed, and other relevant information. In addition, the dataset provides gate position information, detailed configuration details of OpenVins (including camera model, intrinsic parameters, distortion parameters, etc.), usage instructions for the synthetic detection data, and relevant information about the timestamp epoch. This dataset is associated with the original TII-RATM dataset and the OpenVins system, and is applicable to tasks such as robotics, SLAM, visual-inertial odometry, and drone racing.

原始信息汇总

TII-RATM ROS2 Bags with OpenVINS VIO 数据集概述

基本信息

• 数据集名称：TII-RATM ROS2 Bags with OpenVINS VIO
• 许可证：CC BY 4.0
• 任务类别：机器人学
• 标签：ros2, slam, vio, drone-racing, openvins, pose-estimation
• 数据规模：1K < n < 10K
• 描述：包含来自TII-RATM无人机竞速数据集的预录制ROS2数据包，集成了OpenVINS视觉惯性里程计、地面真值和合成门检测数据，可直接用于SLAM评估而无需运行OpenVINS。

数据内容

每个飞行目录包含一个MCAP格式的数据包，涵盖以下主题：

主题	类型	描述
/ov_msckf/odomimu	nav_msgs/Odometry	OpenVINS VIO里程计（约500Hz）
/ov_msckf/pathimu	nav_msgs/Path	VIO轨迹路径
/tf	tf2_msgs/TFMessage	来自OpenVINS的odom → base_link变换
/clock	rosgraph_msgs/Clock	模拟时间时钟（2023纪元）
/ground_truth/pose	geometry_msgs/PoseStamped	动作捕捉地面真值位姿（地球坐标系）
/ground_truth/odometry	nav_msgs/Odometry	动作捕捉地面真值里程计（地球坐标系）
/ground_truth/gates	visualization_msgs/MarkerArray	来自动作捕捉的门位置
/detections/gates	as2_msgs/PoseStampedWithIDArray	合成门检测（基于地面真值的机体相对坐标）
/detections/markers/gates	visualization_msgs/MarkerArray	检测可视化标记
/tf_static	tf2_msgs/TFMessage	门位置作为静态TF（地球坐标系）
/imu	sensor_msgs/Imu	原始IMU数据（500Hz）
/camera/image_raw	sensor_msgs/Image	相机图像（640x480，约26Hz，从约106Hz下采样）
/camera/camera_info	sensor_msgs/CameraInfo	已校准的等距鱼眼相机内参

飞行数据

包含6次飞行记录，分为椭圆和双纽线两种轨迹。

目录	轨迹	时长	距离	平均速度	VIO消息数	地面真值消息数
flight-01p-ellipse	椭圆	~120s	479m	4.0 m/s	~53k	~33k
flight-02p-ellipse	椭圆	~95s	446m	4.2 m/s	~47k	~29k
flight-03p-ellipse	椭圆	~104s	380m	3.7 m/s	~46k	~28k
flight-07p-lemniscate	双纽线	~127s	444m	3.5 m/s	~55k	~35k
flight-08p-lemniscate	双纽线	~100s	367m	3.8 m/s	~47k	~26k
flight-09p-lemniscate	双纽线	~105s	447m	4.4 m/s	~50k	~28k

门位置（地球/世界坐标系）

yaml gate_1: [4.0, 1.3, 1.13] gate_2: [4.0, -1.34, 1.16] gate_3: [-4.0, -1.29, 1.16] gate_4: [-3.97, 1.28, 1.17]

OpenVINS配置

• 相机：ArduCam IMX219鱼眼镜头，640x480 @ ~106Hz
• 相机模型：等距投影（Kannala-Brandt）
• 内参：fx=291.5, fy=390.0, cx=316.4, cy=240.4
• 畸变：[0.048, -0.028, 0.038, -0.018]
• IMU：SBG Ellipse，500Hz，FLU机体坐标系
• 相机倾角：约28度低于水平面
• 时间偏移：-11.7ms
• 在线校准：已禁用（使用5次椭圆飞行平均得出的生产值）
• 配置：椭圆飞行使用tii_ellipse配置，双纽线飞行使用tii_lemniscate配置。

检测说明

门检测是合成的——根据地面真值（动作捕捉）无人机位姿和已知门位置计算得出。它们代表了零噪声的理想机体相对观测值。每个检测提供了无人机机体坐标系到15米范围内每个门的相对SE3变换。

时间戳纪元

• 消息header.stamp值为2023纪元（原始TII-RATM传感器时间戳）
• 数据包接收时间戳为2026纪元（录制时）
• /clock主题包含2023模拟时间时间戳
• 建议使用use_sim_time:=true参数供消费这些数据包的ROS2节点使用

相关资源

• TII-RATM Dataset — 原始数据集
• OpenVINS — 使用的VIO系统
• SemanticSlam — 用于评估的SLAM系统

引用

若使用此数据，请引用TII-RATM数据集论文： bibtex @ARTICLE{bosello2026oyo, author={Bosello, Michael and Pinzarrone, Flavio and Kiade, Sara and Aguiari, Davide and Keuter, Yvo and AlShehhi, Aaesha and Caminati, Gyordan and Wong, Kei Long and Chou, Ka Seng and Halepota, Junaid and Alneyadi, Fares and Panerati, Jacopo and Pau, Giovanni}, journal={IEEE Robotics and Automation Letters}, title={On Your Own: Pro-Level Autonomous Drone Racing in Uninstrumented Arenas}, year={2026}, volume={11}, number={3}, pages={2674-2681}, doi={10.1109/LRA.2026.3653405} }

搜集汇总

数据集介绍

构建方式

在无人机竞速领域，数据集的构建往往依赖于高精度的传感器融合与系统化的数据采集流程。TII-RATM ROS2数据集基于TII-RATM原始无人机竞速数据集，通过预录制的ROS2数据包形式呈现。每个数据包集成了来自动作捕捉系统的地面真实位姿、原始IMU数据以及相机图像，并利用OpenVINS视觉惯性里程计系统生成了高频率的位姿估计轨迹。此外，数据集还包含了基于已知门位置和地面真实位姿合成的理想门检测信息，这些检测在15米范围内提供了无噪声的机体相对观测，为评估SLAM算法提供了即用型的多模态数据流。

特点

该数据集的核心特点在于其高度集成与即用性设计。数据包囊括了视觉惯性里程计输出、地面真实轨迹、合成门检测以及原始传感器数据，覆盖了从底层感知到高层状态估计的完整信息链。数据采集于两种不同的竞速赛道配置——椭圆与双纽线，共计六个飞行序列，总持续时间约六分钟，飞行距离累计超过两千五百米，平均速度维持在每秒四米左右。传感器配置方面，采用了等效鱼眼相机模型与500赫兹的IMU，确保了在高速机动环境下的数据丰富性与时空一致性。时间戳统一至2023纪元，并辅以模拟时钟主题，便于在ROS2生态中实现时间同步的回放与评估。

使用方法

为便于研究者直接进行算法验证，该数据集提供了简洁的ROS2命令行操作接口。用户可通过`ros2 bag play`指令直接回放特定飞行的数据包，并利用`--clock`参数启用模拟时间以同步各节点。数据包内部包含十余个标准ROS主题，涵盖里程计、路径、变换、地面真实位姿、门检测标记以及原始的图像与IMU数据。在使用时，建议将ROS2节点配置为`use_sim_time:=true`以正确解析数据包中的2023纪元时间戳。该数据集主要服务于视觉惯性SLAM、位姿估计以及无人机自主导航等研究方向的性能评估与对比实验。

背景与挑战

背景概述

在自主无人机竞速领域，实现专业级别的飞行控制与导航依赖于精确的状态估计与环境感知。由阿联酋技术创新研究所（TII）赛车团队于2026年发布的TII-RATM ROS2数据集，正是针对这一前沿需求而构建。该数据集基于TII-RATM原始数据，集成了OpenVINS视觉惯性里程计（VIO）的输出、运动捕捉系统提供的真值数据以及合成门框检测信息，封装为ROS2数据包格式。其核心研究问题聚焦于在非仪器化赛场中评估同步定位与地图构建（SLAM）算法的性能，特别是针对高速、动态的无人机竞速场景。该数据集的推出，为机器人学社区提供了标准化的基准测试资源，显著促进了视觉惯性导航系统在复杂、真实环境中的验证与优化进程。

当前挑战

该数据集旨在应对自主无人机竞速中状态估计与SLAM评估的核心挑战。具体而言，无人机在高速穿越动态门框时，其姿态与位置估计极易受到运动模糊、快速旋转及光照变化的影响，这对VIO系统的鲁棒性与精度提出了极高要求。在数据集构建过程中，挑战主要源于多传感器数据的精确时间同步与坐标系对齐，确保来自相机、惯性测量单元及运动捕捉系统的数据流在统一的时间基准下融合。此外，生成合成门框检测数据需基于已知的门框位置与无人机真值姿态进行精确的几何计算，以模拟理想的无噪声观测，这一过程对数据一致性与真实性的平衡构成了技术难点。

常用场景

经典使用场景

在无人机竞速与自主导航领域，该数据集为视觉惯性里程计（VIO）与同步定位与地图构建（SLAM）算法的评估提供了标准化基准。数据集集成了高频率的惯性测量单元数据、相机图像以及运动捕捉系统提供的精确地面真值，使得研究者能够直接对比不同VIO或SLAM系统在动态、高速飞行环境下的位姿估计精度与鲁棒性，无需自行运行复杂的预处理流程。

解决学术问题

该数据集有效应对了无人机在非结构化、无仪器化环境中进行高速运动时，视觉惯性系统面临的挑战，如快速运动模糊、光照变化与计算效率限制。通过提供合成门框检测与多轨迹飞行数据，它支持研究者在一致条件下系统评估算法在长期运行中的漂移控制、动态场景适应能力以及语义信息融合性能，推动了视觉惯性导航在理论层面的深化与创新。

衍生相关工作

围绕该数据集，已衍生出多项经典研究工作，例如基于OpenVINS的视觉惯性里程计改进、结合语义信息的SLAM系统（如SemanticSlam）的开发，以及无人机竞速中的轨迹优化与门框检测算法。这些工作不仅提升了在高速动态环境下状态估计的准确性，也促进了视觉惯性导航与语义感知的交叉融合，为自主无人机系统的实际部署奠定了算法基础。