SYSU-Campus-GVI-Dataset

中山大学深圳校区收集的校园场景GNSS-视觉-惯性数据集，包含六个代表性场景的数据，用于研究和分析城市峡谷、户外-室内-户外过渡等环境下的数据表现。

The GNSS-Visual-Inertial dataset collected by Sun Yat-sen University's Shenzhen campus encompasses data from six representative scenes, designed for research and analysis of data performance in environments such as urban canyons and outdoor-indoor-outdoor transitions.

原始信息汇总

SYSU-Campus-GVI-Dataset概述

数据集描述

• 场景类型：包括六个代表性场景，分别是Dormitory Building、Engineering Building、Gymnasium Building、Medical Building、Athletic Field和SYSU Campus。
• 场景特点：
  • Dormitory Building和Engineering Building具有城市峡谷特征。
  • Gymnasium Building和Medical Building涉及户外到室内再到户外的转换。
  • Athletic Field和SYSU Campus分别在大规模和重复环境中采集。
• 数据集时长与距离：总时长约3611秒，总行驶距离约16456米。

数据采集系统

• 视觉传感器：RealSense D455相机，用于收集单目和双目视觉数据（30Hz）及IMU数据（200Hz）。
• GNSS设备：配备两个u-blox ZED-F9P模块和两个AH 3232天线，提供GNSS测量（5Hz）。

技术细节

• 相机传感器：OmniVision Technologies OV9782，分辨率高达1280×800像素，全局快门，视野90×65°，帧率30fps。
• IMU：Bosch BMI055，6自由度，陀螺仪和加速度计频率均为200Hz，采样时间戳精度50微秒。
• GNSS：VRTK2，接收器为U-blox ZED-F9P×2，天线为AH 3232×2，RTK解决方案频率5Hz。

数据集内容

• 数据项：包括/camera/imu、/camera/infra1/image_rect_raw、/camera/infra2/image_rect_raw、/fixposition/corrimu、/fixposition/gnss1和/fixposition/gnss2等主题，涵盖IMU测量、图像数据和GNSS位置信息。

数据集下载

• 链接：https://pan.baidu.com/s/1SiHDs3xduDLrfQUzlAEYEQ
• 密码：CPNT

搜集汇总

数据集介绍

构建方式

SYSU-Campus-GVI-Dataset的构建基于中山大学深圳校区的六个代表性场景，包括具有城市峡谷特征的宿舍楼和工程楼、从室外到室内再返回室外的体育馆和医学楼，以及大尺度重复环境的校园和运动场。数据采集系统配备了RealSense D455相机，用于收集视觉数据（包括单目和双目，30Hz）和IMU数据（200Hz），并与VRTK2提供的GNSS测量数据（5Hz）同步。GNSS设备采用两个u-blox ZED-F9P模块和两个AH 3232天线，确保高精度定位。

特点

该数据集涵盖了多种复杂环境，如城市峡谷、室内外过渡和大尺度重复场景，总时长达3611秒，总行驶距离约16456米。数据集包含丰富的传感器数据，如IMU、双目相机和GNSS测量，且所有数据均经过严格同步，确保了时间戳的精确性。此外，数据集还提供了详细的场景描述和技术参数，如相机的分辨率、视场角和帧率，IMU的自由度和采样频率，以及GNSS的RTK解算频率，为研究者提供了全面的实验基础。

使用方法

SYSU-Campus-GVI-Dataset以ROS包的形式提供，包含多个主题的数据流，如IMU测量、左右相机图像和GNSS定位信息。用户可通过下载链接获取数据集，并使用ROS工具进行数据解析和处理。该数据集适用于GNSS-视觉-惯性融合算法的开发和验证，特别是在城市挑战性环境中的实时状态估计。使用该数据集时，建议引用相关论文，以确保学术工作的透明性和可追溯性。

背景与挑战

背景概述

SYSU-Campus-GVI-Dataset是由中山大学深圳校区的研究团队于2024年发布的一个校园场景GNSS-视觉-惯性数据集。该数据集旨在解决复杂城市环境下的多传感器融合定位问题，特别是在高楼林立或树木茂密的城市峡谷环境中，GNSS信号易受干扰的挑战。数据集涵盖了六个代表性场景，包括宿舍楼、工程楼、体育馆、医疗楼、校园和运动场，总时长约3611秒，总行驶距离约16456米。数据采集系统配备了RealSense D455相机、Bosch BMI055惯性测量单元以及VRTK2 GNSS设备，能够同步获取视觉、惯性和GNSS数据。该数据集的发布为GNSS-视觉-惯性融合算法的研究提供了重要的实验基础，推动了相关领域的技术进步。

当前挑战

SYSU-Campus-GVI-Dataset在解决复杂城市环境下的多传感器融合定位问题时，面临多重挑战。城市峡谷环境中，GNSS信号易受高楼或树木遮挡，导致定位精度下降；室内外过渡场景中，传感器数据的连续性和一致性难以保证；大规模和重复纹理场景中，视觉特征的识别与匹配存在困难。在数据构建过程中，如何实现多传感器的高精度同步、如何处理不同场景下的数据异构性、以及如何确保数据采集的完整性和可靠性，均是技术上的难点。此外，数据集的标注与验证过程也需耗费大量人力与时间，以确保其科学性和实用性。

常用场景

经典使用场景

SYSU-Campus-GVI-Dataset在GNSS-视觉-惯性导航系统的研究中扮演了重要角色。该数据集通过在不同校园场景中采集的GNSS、视觉和惯性数据，为研究人员提供了一个多模态、高精度的实验平台。特别是在城市峡谷、室内外过渡以及大尺度环境等复杂场景中，该数据集能够有效支持导航算法的开发与验证。

解决学术问题

该数据集解决了GNSS-视觉-惯性导航系统在复杂环境中的鲁棒性和实时性问题。通过提供高频率的IMU数据、同步的GNSS测量以及双目视觉数据，研究人员能够开发出更精确的状态估计算法，尤其是在GNSS信号受限或视觉特征不足的场景中，显著提升了导航系统的性能。

衍生相关工作

基于SYSU-Campus-GVI-Dataset，研究人员提出了多项经典工作，例如R2-GVIO算法。该算法通过融合GNSS、视觉和惯性数据，实现了在复杂城市环境中的鲁棒实时状态估计。这些工作不仅推动了多传感器融合技术的发展，也为后续研究提供了重要的参考和基础。