RCV_uwb_dataset

RCV_uwb_dataset由仁荷大学航空航天工程学院创建，专注于分析UWB定位中相对姿态的影响。该数据集包含六个序列，每个序列设计用于评估不同相对姿态参数对UWB测距的影响。数据集通过高精度的运动捕捉系统收集，结合了立体视觉和惯性传感器数据，旨在为机器人和自动驾驶领域的UWB定位研究提供支持，特别是在解决相对姿态导致的测距误差问题上。

The RCV_uwb_dataset was created by the School of Aerospace Engineering, Inha University, focusing on analyzing the impact of relative attitudes on UWB positioning. This dataset contains six sequences, each designed to evaluate the influence of different relative attitude parameters on UWB ranging. The dataset was collected using a high-precision motion capture system that combines stereo vision and inertial sensor data, and it aims to support UWB positioning research in the fields of robotics and autonomous driving, particularly for addressing ranging errors caused by relative attitudes.

原始信息汇总

数据集概述

数据集内容

• 无人机路径序列：包含六个序列的无人机路径数据。
• UWB测距测量：基于TWR的UWB测距测量数据，使用四个锚点。
• 立体视觉惯性导航系统（VIO）：无人机上配备的立体VIO系统数据。
• 地面真实姿态：通过Qualisys运动捕捉系统捕获的无人机和UWB锚点的地面真实姿态数据。

数据集结构

• UWB ROS消息：位于uwb文件夹中。
• 数据集文件夹：包含每个序列的anchor_n.csv文件。
• 锚点地面真实姿态：位于anchor.yaml文件中，包含x, y, z, roll, pitch, yaw信息。
• 无人机地面真实姿态：位于gt.csv文件中。
• 分析工具：位于analysis_tool目录中。

数据集下载

• Sequence1：41.3 MB，209秒，包含方位角和仰角数据。
• Sequence2：60.8 MB，291秒，包含方位角和距离数据。
• Sequence3：47.3 MB，253秒，包含方向角差异数据。
• Sequence4：42.0 MB，191秒，包含仰角数据。
• Sequence5：73.1 MB，309秒，包含距离数据。
• Sequence6：30.0 MB，154秒，包含复杂路径、方位角和仰角数据。

更新记录

• 06/12/2024：更新了不含立体VIO系统数据的UWB数据集，包含精确的锚点和标签相对姿态数据。

引用

@article{cjh2024RCVuwb, title = {Addressing Relative Pose Impact on UWB Localization: Dataset Introduction and Analysis}, author = {Jun Hyeok Choe and Inwook Shim}, journal = {arXiv} year = {2024} }

搜集汇总

数据集介绍

构建方式

RCV_uwb_dataset的构建基于对UWB定位中相对姿态因素的深入分析。研究团队设计了新的刚体框架，用于无人机和UWB标签及锚点，并通过运动捕捉系统进行精确的6自由度姿态捕捉。实验在多种场景下进行，确保数据集能够全面覆盖不同相对姿态下的UWB测距性能。此外，数据集还包括立体视觉和惯性传感器数据，以支持未来的研究。

特点

该数据集的显著特点在于其对UWB相对姿态因素的详尽分析，提供了精确的地面真实姿态数据，这在现有数据集中是首次。通过设计不同的轨迹序列，数据集能够独立分析方位角、仰角、差异角和UWB测距测量对定位性能的影响。此外，数据集还包括立体视觉和惯性传感器数据，增强了其应用的广泛性。

使用方法

RCV_uwb_dataset适用于研究UWB定位系统中相对姿态对测距性能的影响。研究者可以通过分析不同轨迹序列中的数据，评估方位角、仰角、差异角和测距测量对定位精度的具体影响。此外，数据集中的立体视觉和惯性传感器数据为多传感器融合研究提供了丰富的资源，有助于开发更精确的定位算法。

背景与挑战

背景概述

在机器人定位领域，超宽带（UWB）技术因其厘米级精度和在恶劣天气条件下的稳健性而备受关注。近年来，UWB作为辅助传感器在机器人定位中的应用逐渐增多，推动了相关定位和数据集研究的蓬勃发展。然而，尽管UWB技术在定位中的应用广泛，但缺乏能够深入分析UWB测距测量性能的数据集。为此，Inha大学的Jun Hyeok Choe和Inwook Shim团队于2024年创建了RCV_uwb_dataset，该数据集首次系统地分析了UWB相对姿态因素对测距测量的影响，并提供了精确的UWB姿态地面实况数据。这一数据集的发布填补了该领域的空白，为UWB定位技术的进一步研究提供了宝贵的资源。

当前挑战

RCV_uwb_dataset在构建过程中面临多项挑战。首先，如何准确捕捉和分析UWB标签与锚点之间的相对姿态对测距测量的影响是一个关键问题。其次，数据集的构建需要设计新的刚体框架，并使用运动捕捉系统进行实验，以确保数据的精确性和可靠性。此外，数据集还需解决多路径干扰和非视线（NLOS）条件下的测距误差问题。最后，数据集的分析需要建立偏差模型，以量化不同因素（如方位角、仰角和差异角）对UWB测距偏差的影响。这些挑战不仅涉及技术层面的复杂性，还要求研究者具备深厚的理论基础和实验设计能力。

常用场景

经典使用场景

RCV_uwb_dataset在机器人定位领域中，主要用于分析超宽带（UWB）传感器在不同相对姿态下的测距性能。通过提供精确的地面真实姿态数据，该数据集能够帮助研究人员深入理解UWB标签与锚点之间的相对姿态对测距误差的影响。具体应用场景包括无人机（UAV）和移动机器人在复杂环境中的定位实验，通过设计不同的轨迹和锚点布局，研究不同角度和距离下的测距偏差模式。

衍生相关工作

RCV_uwb_dataset的发布激发了大量相关研究工作，特别是在UWB定位误差校正和多传感器融合领域。例如，基于该数据集的研究已经提出了多种误差校正模型，以提高UWB测距的准确性。此外，该数据集还被用于开发新的多传感器融合算法，结合视觉、惯性传感器和UWB数据，进一步提升定位系统的整体性能。这些衍生工作不仅推动了UWB技术的发展，也为其他传感器技术的应用提供了新的思路。

数据集最近研究

最新研究方向

在机器人定位领域，超宽带（UWB）技术因其高精度和抗恶劣环境能力而备受关注。RCV_uwb_dataset的最新研究方向聚焦于分析UWB相对姿态对测距性能的影响。该数据集通过引入精确的地面真实姿态数据，首次系统地探讨了标签与锚点之间相对姿态对UWB测距误差的影响。研究者设计了多种实验序列，分别针对方位角、仰角、差异角和测距测量等因素进行独立分析，揭示了这些因素对UWB测距偏差的具体模式。这一研究不仅填补了现有数据集在相对姿态分析方面的空白，还为提升UWB定位系统的精度和鲁棒性提供了重要参考，预示着在复杂环境下的机器人定位技术将迎来新的突破。

相关研究论文

• Addressing Relative Pose Impact on UWB Localization: Dataset Introduction and Analysis

  仁荷大学航空航天工程学院 · 2024年