SlugTrail

SlugTrail是一个用于大规模公共建筑中基于平面图的室内视觉定位的基准测试和数据集。它提供与平面图对齐的自我中心记录、标准化评估协议和基准测试工具，用于评估真实室内导航条件下的定位方法。SlugTrail is a benchmark and dataset for floor-plan-based indoor visual localization in large-scale public buildings. It provides floor-plan-aligned egocentric recordings, standardized evaluation protocols, and benchmarking tools for evaluating localization methods under realistic indoor navigation conditions.

原始信息汇总

SlugTrail 数据集概述

SlugTrail 是一个用于大规模公共建筑中基于楼层平面图的室内视觉定位的基准测试与数据集。该数据集旨在将评估从住宅规模的室内环境扩展到更大、更真实的场景，特别关注走廊、大厅和连接通道等流通空间，因为这些区域的结构重复性和空间模糊性对定位方法提出了重大挑战。

主要特点

• 定位基准：针对多种楼层平面图定位方法进行基准测试，涵盖不同的定位任务和观测设置。研究重点包括：大规模室内环境下的定位性能、从现有住宅规模数据集的泛化能力、在代表性大规模数据上进行微调的效果、结构重复与空间模糊下的定位表现，以及不同观测和时间设置下的性能差异。
• 数据集内容：包含在大型公共建筑中采集的、与建筑楼层平面图对齐的自我中心（egocentric）录像，侧重于模拟真实室内导航轨迹，特别是人们在不同功能区之间移动的流通空间。
• 发布状态：数据集即将发布，将托管在 Hugging Face 平台（https://huggingface.co/datasets/Head-inthe-Cloud/SlugTrails）。发布时将包含数据集文档、下载说明、数据格式和评估协议。
• 代码与评估：基准测试代码、评估脚本和基线使用说明将在本仓库中发布；复现基准的评估工具和说明也即将推出。
• 论文：相关学术论文即将发布，最终引用信息将在论文出版后更新。

许可与联系

• 数据集采用 知识共享署名 4.0 国际版（CC BY 4.0） 许可协议发布；基准测试代码的许可信息将另行提供。
• 如对数据集或基准有任何问题，可通过在 GitHub 仓库中提交 issue 进行联系。

引用方式

如果在研究中使用SlugTrail，请引用以下预发布论文（最终引用将在出版后更新）：

bibtex @article{slugtrail2026, title = {SlugTrail: Benchmarking Floor-Plan Localization in Large Indoor Spaces}, author = {...}, year = {2026} }

搜集汇总

数据集介绍

构建方式

SlugTrail数据集致力于解决大型公共建筑中基于楼层平面图的室内视觉定位基准缺失问题，其构建重点在于采集与建筑平面图精确对齐的自我中心视角记录。数据采集覆盖了走廊、大堂、连接通道等流通空间，这些区域因结构重复和空间模糊性对定位算法构成显著挑战。数据集不仅提供了原始影像与平面图对应关系，还制定了标准化的评估协议，旨在建立一套能真实反映日常导航情境的基准测试环境。

特点

该数据集的独到之处在于其规模与场景的针对性，它突破了传统室内定位数据集以住宅尺度为主的局限，转向更贴近实际的大型公共空间。其特别关注流通空间的结构重复性难题，为评价定位方法在空间歧义条件下的鲁棒性提供了关键测试平台。数据集涵盖了多种观测与时间设置，支持从不同角度评估算法性能，并具备与现有住宅级数据集迁移学习的兼容性，从而推动该领域从实验室研究向应用实践的过渡。

使用方法

研究者可通过Hugging Face平台获取该数据集，其发布形式包括完整的数据文档、下载指南及明确的文件格式说明。代码仓库将同步提供详尽的基准测试代码、评估脚本与基线方法说明，便于复现和比较不同定位策略。使用过程中，应遵循Creative Commons Attribution 4.0国际许可协议，并在学术成果中引用即将发布的论文。此工具链设计旨在简化大型室内环境定位研究的标准化评估流程。

背景与挑战

背景概述

室内视觉定位作为自主导航与增强现实的关键技术，长期受限于住宅尺度环境的基准测试，难以反映大型公共建筑中复杂导航场景的真实挑战。SlugTrail数据集由Head-in-the-Cloud研究团队创建，旨在填补这一空白，通过采集大型公共建筑内的自我中心视频，并与建筑平面图精确对齐，构建了首个专注于大尺度室内空间（尤其是走廊、大厅等流通区域）的定位基准。该数据集于2026年发布，配套标准化评估协议与多种最新定位方法的性能基准，推动了对结构重复性与空间歧义等核心问题的研究，有望成为室内定位领域的新标杆，促进算法从住宅向真实公共环境的泛化。

当前挑战

SlugTrail所应对的领域挑战在于，大型公共建筑中流通区域的结构高度重复（如相似走廊与门厅）导致视觉特征相似，传统基于住宅数据的定位方法在此类环境下精度骤降，空间歧义成为主要瓶颈。构建过程中的挑战亦不容小觑，涵盖多楼层、大面积环境下的数据采集路径规划，确保自我中心视频与建筑平面图的空间对齐精度，以及处理光照变化、动态人群干扰等现实因素。此外，如何设计兼顾时间连续性与多视角观测的评估协议，以公平衡量不同方法的鲁棒性，也是数据集构建的关键难点。

常用场景

经典使用场景

SlugTrail数据集的核心使用场景在于评估和验证大规模室内环境下的基于楼层平面图的视觉定位算法。研究者可以利用该数据集训练和测试模型在真实公共建筑中采集的自我中心视频与楼层平面图的匹配能力，尤其针对走廊、大堂等流通空间，这些区域的结构重复性和空间模糊性对定位精度提出了严苛挑战。数据集提供了标准化的评估协议和基准工具，使得不同定位方法能够在统一框架下进行公平比较，从而推动该领域从住宅级小规模测试向更具实用价值的大型公共空间泛化。

衍生相关工作

SlugTrail的发布预期将催生一系列衍生研究，例如设计结合图神经网络或Transformer架构的全局定位模型，以应对大规模平面图中的结构重复问题。研究者可能开发新颖的数据增强策略，通过模拟视角变化和轨迹扰动来提升模型的泛化能力。此外，该基准可被用作多模态融合研究的测试床，联合视觉、惯性传感器数据与语义地图信息，探索更鲁棒的室内定位框架。其评估协议亦可能促进跨数据集迁移学习的研究，为构建统一的室内定位评测体系奠定基础。

数据集最近研究

最新研究方向

大型室内空间中基于楼层平面图的视觉定位基准研究，侧重循环空间的结构重复与空间模糊性挑战