ROUGH Dataset

ROUGH数据集包含几个小时的驾驶记录，使用中型机器人（约1米高，约60公斤，摄像头离地面不到0.5米）在具有挑战性的地形中行驶。其主要目标是提供穿越或通过灵活自然障碍物（如高草、悬挂的树枝、泥浆、密集的灌木丛等）的记录。数据集不仅包括感官数据，还包括具有动力学特性的机器人模型，适用于自监督训练PINNs（物理信息神经网络）在轨迹数据上的应用。The ROUGH dataset contains several hours of driving records collected using a medium-sized robot (approximately 1 meter tall, ~60 kg in weight, with its camera mounted less than 0.5 meters above the ground) navigating challenging terrain. Its primary goal is to provide recordings of traversing or moving through flexible natural obstacles such as tall grass, overhanging branches, mud, dense thickets, and the like. The dataset not only includes sensory data but also a dynamic robot model, which is applicable for self-supervised training of Physics-Informed Neural Networks (PINNs) on trajectory data.

原始信息汇总

Rugged Obstacles and Uneven Ground Hardcore (ROUGH) Dataset

概述

ROUGH 数据集包含数小时的驾驶记录，由中型机器人（约1米高，约60公斤，摄像头距离地面小于0.5米）在挑战性地形中收集。目标是提供穿越或通过灵活自然障碍（如高草、悬挂的树枝、泥地、密集灌木丛等）的记录。

平台

数据集使用了两款机器人：

Bluebotics Absolem

• 重量：40 kg
• 宽度：60 cm
• 长度：67 cm
• 高度：100 cm
• 主电机：2x 210 W（额定扭矩30 Nm）
• 辅助电机：4x 210 W（额定扭矩30 Nm）

MARV

• 重量：70 kg
• 宽度：60 cm
• 长度：60 cm
• 高度：100 cm
• 主电机：200 W（额定扭矩25 Nm）
• 辅助电机：200 W（额定扭矩180 Nm）

传感器

传感器	类型	频率	分辨率	同步	时间戳精度	主题
Ouster OS0-128	3D激光雷达	10 Hz	1024x10	触发源	20 µs	/points_filtered_*
Ouster IMU	IMU	100 Hz	0.008 °/s, 61 µg	硬件来自激光雷达	20 µs	/os_cloud_node/imu
Basler a2A1920-51gcPRO + 4 mm镜头	RGB相机	10 Hz	1920x1200	硬件来自激光雷达	200 µs	`/camera_(front
Basler acA2040-35gc + 1.8 mm鱼眼镜头	RGB相机	30 Hz	2048x1536	无同步	未知	`/camera_fisheye_(front
Luxonis OAK-D Pro	RGB-D相机	30 Hz	1920x1080 RGB, 800x480深度	无同步	200 µs	/oak/rgb/image_raw/compressed, /oak/stereo/image_raw/compressedDepth
Luxonis OAK-D Pro IMU	IMU	100 Hz	未知	无同步	200 µs	/oak/imu/data, /oak/imu/mag
Movella MTI-30	IMU	100 Hz	未知	无同步	未知	/imu/data, /imu/mag, /imu_unbiased/data, /imu/mag_unbiased
Emlid Reach M+ + 螺旋3频段天线	1频段GNSS	5 Hz	未知	无同步	未知	/fix, /fix_status, /llh
Septentrio Mosaic-go Heading Evaluation Kit + 2x 螺旋3频段天线	2频段2天线GNSS	10 Hz	未知	无同步	未知	/gnss/septentrio/*

许可证

ROUGH 数据集的数据根据 Open Data Commons Open Database License (ODbL) v1.0 提供。该许可证类似于CC-BY-SA，但更适合数据集。它明确指出，仅使用数据（而不是创建另一个数据集）的作品不需要在同一许可证下发布。无论如何，您有义务注明数据集的使用。

致谢

数据集由 Martin Pecka, Bedřich Himmel, Valentýn Číhala, Ruslan Agishev, Karel Zimmermann 和 Tomáš Svoboda 创建，他们都是捷克技术大学 VRAS 研究组的成员。

该项目由欧盟资助的 Robotics and Advanced Industrial Production 项目（注册号 CZ.02.01.01/00/22 008/0004590）和捷克科学基金会资助的项目 24-12360S 共同资助。

搜集汇总

数据集介绍

构建方式

ROUGH数据集的构建基于在复杂地形中驾驶中型机器人（约1米高，60公斤重，摄像头离地高度小于0.5米）的长时间记录。这些记录涵盖了穿越灵活自然障碍物，如高草、悬挂的树枝、泥泞和密集的灌木丛等场景。数据集主要通过形状可变的履带机器人收集，这些机器人能够改变其重心和惯性矩，从而捕捉到更广泛的动态响应。此外，ROUGH数据集不仅包括传感器数据，还提供了包含动态特性的机器人模型，以全面反映机器人在不同地形中的行为。

使用方法

ROUGH数据集适用于训练物理信息神经网络（PINNs），特别是在轨迹数据上的自监督训练，如MonoForce项目所示。使用该数据集时，用户不仅可以利用传感器数据，还可以结合机器人模型及其动态特性，进行更全面的分析和模拟。数据集的格式和样本数据已在相关文档中详细说明，用户可以通过访问提供的链接获取更多信息。此外，数据集遵循开放数据库许可证（ODbL），用户在使用时需遵守相应的归属要求。

背景与挑战

背景概述

ROUGH数据集，全称为Rugged Obstacles and Uneven Ground Hardcore数据集，由捷克技术大学（Czech Technical University in Prague）的VRAS研究小组创建。该数据集旨在为中型机器人提供在复杂地形中的行驶记录，特别是针对灵活的自然障碍物，如高草、悬挂的树枝、泥泞和密集的灌木丛等。ROUGH数据集的核心研究问题是如何使机器人能够在这些挑战性地形中自主导航，不仅依赖于图像或点云的分割，还需考虑机器人动力学、地形特性和控制算法。该数据集的创建标志着在机器人技术领域对复杂环境适应性研究的重要进展，预计将在2024年提交至IEEE期刊。

当前挑战

ROUGH数据集面临的挑战主要集中在两个方面。首先，数据集的构建过程中，研究人员需要克服在复杂地形中收集高质量数据的技术难题，包括传感器同步、数据准确性以及机器人动力学模型的精确捕捉。其次，该数据集旨在解决的领域问题是机器人如何在极端地形中实现有效导航，这不仅需要精确的感知数据，还需结合机器人自身的动力学特性和控制策略。此外，数据集的开放性和共享性也带来了数据隐私和安全性的挑战，确保数据在使用过程中既能促进研究又不损害相关权益。

常用场景

经典使用场景

ROUGH数据集在机器人导航与控制领域中具有经典应用，主要用于训练和验证机器人如何在复杂地形中进行自主导航。通过提供大量在自然环境中收集的传感器数据，包括图像、点云和IMU数据，ROUGH数据集使得研究人员能够开发和优化机器人穿越如高草、树枝、泥泞等灵活自然障碍的能力。此外，数据集中的机器人动力学模型和控制算法信息，为研究者提供了深入分析和改进机器人动态响应的机会。

解决学术问题

ROUGH数据集解决了机器人学中关于复杂地形导航的核心问题，特别是在如何结合环境感知与机器人动力学以实现有效穿越方面。传统的图像或点云分割数据集往往忽略了机器人动力学和控制算法的重要性，而ROUGH数据集通过提供全面的传感器数据和机器人模型，填补了这一空白。这不仅推动了机器人导航算法的发展，还为物理信息神经网络（PINNs）的自监督训练提供了宝贵的数据资源，从而在学术界产生了深远影响。

实际应用

在实际应用中，ROUGH数据集为农业机器人、搜救机器人和户外探险机器人等提供了关键的技术支持。例如，农业机器人可以利用ROUGH数据集中的信息，优化其在不同土壤和植被条件下的操作策略，从而提高作业效率和减少机械损耗。搜救机器人则可以通过学习ROUGH数据集中的导航模式，更好地应对复杂和不可预测的救援环境。此外，户外探险机器人可以利用该数据集提升其在自然环境中的自主导航能力，减少对人工干预的依赖。

数据集最近研究

最新研究方向

在机器人技术领域，ROUGH数据集的最新研究方向主要集中在复杂地形中的自主导航和动态适应性。该数据集通过记录中型机器人在如高草、树枝、泥泞和密集植被等灵活自然障碍中的行驶数据，为研究者提供了一个独特的平台，以探索机器人如何在极端环境中实现高效且安全的移动。特别是，ROUGH数据集的引入，使得物理信息神经网络（PINNs）在轨迹预测和控制算法优化中的应用成为可能，这为机器人动态响应和地形适应性的研究开辟了新的途径。此外，数据集中的机器人模型及其动态属性，为自监督学习和模型预测控制提供了丰富的实验数据，进一步推动了机器人技术在户外环境中的应用和发展。