MAOMaps

MAOMaps是由俄罗斯科学院计算机科学与控制联邦研究中心和莫斯科物理技术学院创建的一个真实感图像数据集，旨在评估基于视觉的同时定位与地图构建（vSLAM）及地图合并算法的质量。该数据集包含20个样本，每个样本包含RGB图像、深度图和精确的轨迹与地图地面实况数据。数据集通过使用Habitat模拟器和Matterport 3D集合创建，确保了图像的真实性和环境的多样性。MAOMaps特别适用于评估vSLAM算法的定位和地图构建精度，以及地图合并算法的性能，为移动机器人领域的研究和开发提供了重要的基准数据。

MAOMaps is a photorealistic image dataset created by the Federal Research Center for Computer Science and Control of the Russian Academy of Sciences and the Moscow Institute of Physics and Technology, aiming to evaluate the performance of vision-based simultaneous localization and mapping (vSLAM) and map merging algorithms. The dataset contains 20 samples, each including RGB images, depth maps, as well as accurate trajectory and map ground-truth data. It is constructed using the Habitat simulator and the Matterport 3D Dataset, ensuring the realism of the images and the diversity of the environments. MAOMaps is particularly suitable for assessing the localization and mapping accuracy of vSLAM algorithms, as well as the performance of map merging algorithms, providing important benchmark data for research and development in the field of mobile robotics.

原始信息汇总

MAOMaps: Matterport Overlapping Maps Dataset

数据集描述

MAOMaps 是一个用于评估视觉SLAM、RGB-D SLAM和地图合并算法的基准数据集。该数据集包含40个样本，每个样本包含RGB图像、深度图像、真实轨迹和地图。这些样本被组合成20对重叠地图，用于评估地图合并方法。样本数据来自Matterport3D数据集和Habitat模拟器。

样本信息

对	轨迹1长度	轨迹2长度	IoU, %	3D点数	2D分辨率
1	21.7	20.3	48	405288	399x403
2	32.9	20.8	30	493070	448x509
3	13.7	15.9	62	130162	234x399
4	19.0	22.9	45	415810	463x419
5	18.4	13.8	44	175628	383x243
6	16.2	21.2	40	193740	444x219
7	4.1	7.8	48	121247	239x236
8	13.9	11.0	46	163418	329x250
9	9.4	4.3	30	88337	211x245
10	9.8	10.0	40	189478	250x310
11	21.5	11.2	40	240041	330x379
12	16.3	17.4	33	397487	528x407
13	22.2	21.0	54	266472	329x425
14	13.9	15.8	42	214593	327x484
15	12.6	21.1	20	277755	397x314
16	21.6	17.8	27	267133	400x284
17	10.8	6.5	39	164773	349x238
18	13.7	12.3	51	156416	255x326
19	15.6	14.1	42	183705	228x319
20	18.9	19.9	28	251173	293x465

数据集结构

数据集包含20对轨迹。每对轨迹存储在其自己的子目录中。

每个样本包含：

• first.bag, second.bag - 第一和第二轨迹的原始数据，以Rosbag格式存储。Rosbags包含RGB图像（在主题/habitat/rgb/image中）、深度图（在主题/habitat/depth/image中）、相机信息（在主题/habitat/rgb/camera_info中）和位姿（在主题/true_pose中）。

• gt_points_first.pcd, gt_points_second.pcd - 第一和第二轨迹的真实地图，以点云格式存储。

• gt_points_first.txt, gt_points_second.txt - 第一和第二轨迹的真实地图坐标，以文本格式存储。

• gt_points_merged.pcd - 合并的真实地图，以点云格式存储。

• gt_points_merged.txt - 合并的真实地图点，以文本格式存储。

• gt_colors_first.txt, gt_colors_second.txt - 第一和第二真实地图点的颜色，以RGB格式存储。

• gt_colors_merged.txt - 合并的真实地图点的颜色，以RGB格式存储。

• gt_poses_first.txt, gt_poses_second.txt - 第一和第二轨迹的真实轨迹，以6D位姿集存储。

• start_pose_first.txt, start_pose_second.txt - 第一和第二轨迹的真实起始位置。

搜集汇总

数据集介绍

构建方式

MAOMaps数据集构建于Habitat仿真平台，该平台提供了逼真的室内场景，并允许机器人在这些环境中自由移动。研究人员选择了Matterport 3D中的6个场景，并在Habitat中进行40次独立的虚拟机器人运行。每次运行中，记录了机器人的真实轨迹、RGB图像和深度图。此外，研究人员使用反向投影技术为每个运行创建了精确的3D地面真实地图。为了模拟地图合并的场景，每个偶数运行的机器人轨迹与之前的奇数运行轨迹有部分重叠。这些数据以ROSbag格式存储，并附带地面真实地图和轨迹，以便于评估和比较vSLAM算法的性能。

特点

MAOMaps数据集的特点在于其逼真的RGB图像序列和地面真实数据，包括定位轨迹和地图。这使得评估vSLAM算法的定位和建图部分成为可能。数据集还包含重叠的轨迹，这允许评估地图合并方法。此外，MAOMaps数据集提供了计算定位精度和地图质量的工具，如绝对轨迹误差（ATE）和相对姿态误差（RPE）以及绝对映射误差（AME）。这些工具可以帮助研究人员全面评估vSLAM算法的性能。

使用方法

使用MAOMaps数据集时，研究人员可以下载数据集和工具箱，并使用ROS环境进行评估。数据集以ROSbag格式提供，包含RGB图像、深度图、相机校准信息和机器人的真实6自由度姿态。此外，还提供了地面真实地图和轨迹，以点云格式和文本格式存储。为了评估vSLAM算法的性能，研究人员可以使用数据集中的工具来计算定位精度和地图质量的指标。这些工具包括ATE、RPE和AME等。通过比较算法的输出与地面真实数据，研究人员可以评估算法的准确性和鲁棒性。

背景与挑战

背景概述

在移动机器人领域，基于视觉的同步定位与建图（vSLAM）问题至关重要，因为视觉传感器（RGB、RGB-D相机）是目前应用最广泛的传感器之一。MAOMaps数据集旨在为评估vSLAM和地图合并算法的质量提供一个全新的基准，由Kirill Muraviev、Andrey Bokovoy和Konstantin Yakovlev等研究人员于2021年5月31日发布。该数据集由照片逼真的数据集和一组用于自动评估的工具组成，提供了定位和地图的真实数据，从而能够评估SLAM流程的定位和映射部分。MAOMaps数据集为vSLAM算法的评估提供了一个全面且开放的基准，促进了该领域的研究和发展。

当前挑战

MAOMaps数据集面临的挑战主要涉及两个方面：1）vSLAM领域问题，即如何精确评估vSLAM算法的定位和地图质量；2）构建过程中遇到的挑战，包括如何创建逼真的照片数据、如何获取准确的地面真实数据以及如何设计有效的地图质量评估方法。此外，MAOMaps数据集还面临着如何评估地图合并算法的挑战，因为现有方法在合并精确地图时仍然存在困难。为了应对这些挑战，MAOMaps数据集采用了一种新颖的方法来找到vSLAM地图和真实地图之间的对应关系，并引入了RMSE指标来评估地图质量。

常用场景

经典使用场景

MAOMaps数据集主要用于视觉同时定位与建图（vSLAM）算法的评估，特别是针对室内场景。该数据集提供了逼真的RGB图像序列和深度图，以及精确的定位和建图基准数据。这使得研究人员能够全面评估vSLAM算法在定位精度和建图质量方面的性能。此外，MAOMaps数据集还包含重叠的轨迹，使得评估地图融合算法成为可能。

衍生相关工作

MAOMaps数据集的发布推动了vSLAM和地图融合算法的研究进展。基于MAOMaps数据集，研究人员开发了一系列新的vSLAM和地图融合算法，并在该数据集上进行了评估和比较。此外，MAOMaps数据集还促进了相关工具和评估指标的发展，如绝对轨迹误差（ATE）、相对位姿误差（RPE）和绝对建图误差（AME）等。这些工具和指标为vSLAM和地图融合算法的评估提供了更加全面和准确的方法。

数据集最近研究

最新研究方向

基于视觉的同步定位与建图（vSLAM）技术作为移动机器人领域的关键技术，近年来取得了长足的进步。MAOMaps数据集的提出为vSLAM算法的评估提供了一个全新的基准，它不仅包含了高真实感的RGB视频序列，还提供了轨迹和地图的地面真实数据，使得对vSLAM算法的性能评估更加全面和准确。此外，MAOMaps数据集还允许评估地图合并算法，这是目前其他数据集所不具备的。通过对vSLAM算法和地图合并算法在MAOMaps数据集上的评估，研究者可以发现算法在实际应用中可能存在的问题，并为改进算法提供数据支持。因此，MAOMaps数据集的提出对于推动vSLAM技术的发展具有重要的意义。

相关研究论文

• MAOMaps: A Photo-Realistic Benchmark For vSLAM and Map Merging Quality Assessment

  俄罗斯科学院计算机科学与控制联邦研究中心和莫斯科物理技术学院 · 2021年