M2TD

M2TD是一个多传感器和多平台隧道数据集，用于在长退化隧道环境中对SLAM算法进行基准测试。该数据集旨在评估在隧道特定退化条件下的定位和建图鲁棒性，包括重复结构、弱视觉纹理、光照不足、几何多样性有限和GNSS缺失。数据集包含9个序列，总轨迹长度4.85公里，采集于中国青岛的一个未完工海底隧道和大连的五个运营交通隧道，采用无人机、手持和车载三种采集模式，提供ROS2包数据、校准文件和通过LGAT框架生成的低成本参考轨迹。M2TD is a multi-sensor and multi-platform tunnel dataset for benchmarking SLAM algorithms in long degraded tunnel environments. This dataset aims to evaluate the robustness of localization and mapping under tunnel-specific degraded conditions, including repetitive structures, weak visual textures, insufficient lighting, limited geometric diversity, and GNSS unavailability. The dataset consists of 9 sequences with a total trajectory length of 4.85 km, collected from one unfinished undersea tunnel in Qingdao, China, and five operational traffic tunnels in Dalian, using three acquisition modes: unmanned aerial vehicle (UAV), handheld, and vehicle-mounted. It provides ROS2 bag data, calibration files, and low-cost reference trajectories generated via the LGAT framework.

原始信息汇总

M2TD: 多传感器多平台隧道数据集

概述

M2TD (Multi-Sensor and Multi-Platform Tunnel Dataset) 是一个专为在长距离退化隧道环境中评估SLAM算法而设计的基准数据集。它旨在测试定位与建图在隧道特有的退化条件下的鲁棒性，包括重复结构、弱视觉纹理、光照差、几何多样性有限以及GNSS信号缺失。

• 数据规模: 包含 9个序列，总轨迹长度 4.85公里。
• 采集地点: 中国青岛一处未完工的海底隧道，以及大连五条运营中的交通隧道。
• 采集平台: 无人机 (UAV)、手持设备 (Handheld)、车载设备 (Ground vehicle)。
• 数据格式: 提供ROS2 bag文件、传感器标定文件，以及由低成本真值采集框架 LGAT 生成的参考轨迹。

关键特性

• 专用隧道基准: 针对长距离退化隧道环境设计。
• 多平台采集: 包含无人机、手持和车载三种平台。
• 多模态传感: 配备 Livox 激光雷达、内置IMU、单目RGB相机和UWB测距模块。
• 已标定与同步: 提供传感器标定文件，激光雷达、IMU和相机为硬件同步，UWB为软件对齐。
• 低成本参考轨迹: 使用LGAT框架（融合LiDAR、IMU和单个UWB锚点）生成参考轨迹。
• 挑战性基线: 在M2TD上，代表性SLAM方法表现出尺度误差、漂移、不一致性甚至失败。

数据集总结

M2TD包含9个隧道序列，详细信息如下：

序列ID	平台	地点	长度(米)	持续时间(秒)	闭环
QD-UAV-01	无人机	青岛	296	229	是
QD-UAV-02	无人机	青岛	201	230	是
QD-Handheld-01	手持	青岛	783	627	是
QD-GV-01	地面车	青岛	917	457	是
DL-Handheld-01	手持	大连	321	239	是
DL-GV-01	地面车	大连	294	89	否
DL-GV-02	地面车	大连	1105	243	否
DL-GV-03	地面车	大连	513	123	否
DL-GV-04	地面车	大连	416	116	否

• 命名规则: 地点-平台-序号 (如 QD-UAV-01)，其中 QD 代表青岛，DL 代表大连。
• 青岛场景: 未完工海底隧道，光照弱、纹理和结构线索少。
• 大连场景: 运营中交通隧道，包含长直道段，可用于评估长距离漂移累积。

传感器配置

传感器类型	型号	关键参数	ROS2频率
激光雷达	Livox Mid-360	360° × 59° 视场角, 40米量程	10 Hz
激光雷达	Livox Avia	70.4° × 77.2° 视场角, 450米量程	10 Hz
IMU	ICM-40609-D / BMI088	Livox激光雷达内置6轴MEMS IMU	200 Hz
相机	海康机器人 MV-CU013-A0UC	全局快门RGB相机, 1280×1024分辨率	10 Hz
UWB	Nooploop LinkTrack P-B	典型测距精度0.1米, 最大距离500米	50 Hz

• 各平台传感器配置:
  • 无人机: Livox Mid-360, 内置IMU, UWB标签
  • 手持: Livox Mid-360, Livox Avia, 内置IMU, 海康相机, UWB标签
  • 地面车: Livox Mid-360, Livox Avia, 内置IMU, 海康相机, UWB标签

标定与同步

• 提供相机内参、LiDAR-相机、LiDAR-LiDAR的外参标定文件。
• 激光雷达、IMU和相机数据为硬件同步，UWB为软件时间对齐。
• 标定工具包括 Kalibr、direct_visual_lidar_calibration、Livox_automatic_calibration 和 LIV_handhold。

数据格式

每个序列文件夹结构如下：

M2TD/ DL-GV-01/ calibration.yaml DL_GV_01/ DL_GV_01.db3 metadata.yaml ground_truth.txt ...

• calibration.yaml: 传感器标定参数。
• ground_truth.txt: LGAT生成的参考轨迹。
• ROS2 bag目录: 包含传感器数据。
• 典型ROS2话题: /livox/mid360 (点云), /livox/avia (点云), /livox/imu_mid (IMU), /livox/imu_avia (IMU), /left_camera/image (图像), /uwb_tag (UWB测距)。话题可用性因平台而异（如无人机序列不含Livox Avia和相机数据）。

真值系统

• 采用 LGAT (Low-Cost Ground-Truth Acquisition for Tunnels) 框架生成参考轨迹。
• LGAT 紧密耦合LiDAR、IMU和UWB测量，仅需一个UWB锚点，降低了部署复杂度。
• 真值验证: 在已知长度隧道、往返闭环和重访区域进行验证。在论文评估中，LGAT在已知长度隧道上的相对长度误差低于0.5%，在所有闭环序列上的闭环误差低于1米。

基线方法

论文中评估的SLAM方法包括:

• 通用SLAM: FAST-LIO2, Point-LIO, FAST-LIVO2
• 退化感知/退化场景方法: IGE-LIO, GenZ-ICP, DA-LIO

下载与使用

• 数据集通过百度网盘提供，每个序列有独立下载链接。
• 使用 ros2 bag info 和 ros2 bag play 命令查看和播放数据。
• 提供的标定和真值文件用于SLAM评估。

许可与引用

• 许可: 数据集仅供学术和非商业研究使用。
• 引用: M2TD论文正在投稿中，引用信息将在论文接收后更新。在正式发表前，请引用该仓库。

搜集汇总

数据集介绍

构建方式

隧道环境因结构重复、光照匮乏、纹理稀疏及GNSS信号完全缺失，长期以来对同步定位与建图系统构成严峻挑战。为系统性地评估SLAM算法在长距离退化隧道中的鲁棒性，M2TD数据集应运而生。该数据集构建于中国青岛一处未完工的海底隧道与大连五条运营中的交通隧道，共计采集9个序列、总轨迹长度达4.85公里。数据获取采用三种平台：无人机、手持设备与车载系统，确保了场景覆盖的多样性。传感器套件涵盖Livox Mid-360与Livox Avia激光雷达、内置IMU、全局快门单目相机及UWB测距模块，其中激光雷达、IMU与相机通过硬件同步，UWB则经软件时间对齐。参考轨迹由提出的LGAT框架生成，该框架通过顺序更新迭代误差状态卡尔曼滤波器紧密耦合LiDAR、IMU与单个UWB锚点测量，以低成本获取高精度真值。

特点

M2TD数据集具备六大核心特质。其专为长退化隧道设计，环境包含重复结构、弱纹理、差照明、有限几何多样性及GNSS拒止等典型退化因素，能够充分暴露SLAM算法的尺度漂移与定位不一致问题。多平台采集模式覆盖无人机、手持与车载运动形态，丰富了运动动力学特性。多模态传感融合了两种激光雷达、双IMU、相机与UWB测距，支持纯LiDAR、LiDAR-惯性及视觉-LiDAR-惯性等多种SLAM架构的评估。所有传感器均提供精确标定参数与时间同步信息，确保数据质量。参考轨迹基于低成本的单UWB锚点方案生成，经轨迹长度验证、闭环验证与点云一致性验证，相对长度误差低于0.5%，闭环误差低于1米。此外，数据集包含9个序列，其中5个形成闭环，为回环检测与漂移评估提供了天然测试条件。

使用方法

使用M2TD数据集时，首先需根据序列ID从外部分发链接（如百度网盘）下载所需的ROS2 bag文件。下载后将序列文件夹解压至M2TD根目录下，每个序列包含calibration.yaml标定参数文件、ground_truth.txt参考轨迹以及ROS2 bag数据。可通过ros2 bag info命令查看该序列包含的话题，典型话题包括/livox/mid360、/livox/avia点云，/livox/imu_mid与/livox/imu_avia IMU数据，/left_camera/image单目图像以及/uwb_tag测距测量。使用ros2 bag play命令回放数据，即可供SLAM算法在线运行。研究者可采用提供的标定数据进行多传感器外参初始化，并利用真值轨迹评估定位精度。数据集官方仓库未来将发布baseline配置与评估脚本，进一步简化评测流程。

背景与挑战

背景概述

M2TD是由中国青岛与大连等地研究机构于2024年创建的多传感器多平台隧道数据集，旨在为同步定位与地图构建（SLAM）算法在长期退化隧道环境中的性能评估提供标准化基准。该数据集包含9个序列、总轨迹长度4.85公里，采集自青岛未完工海底隧道及大连五个运营交通隧道，覆盖无人机、手持和车载三种平台，配备Livox激光雷达、IMU、单目RGB相机及UWB测距等异构传感器。其核心创新在于提出了低成本真值获取框架LGAT，通过紧耦合LiDAR、IMU与单个UWB锚点生成参考轨迹，解决了传统高精度INS系统在隧道中部署复杂、成本高昂的难题。M2TD填补了针对隧道强退化场景SLAM基准数据的空白，推动了重复结构、弱纹理、低光照等极端条件下多传感器融合定位的研究，已成为评估SLAM鲁棒性的重要参考。

当前挑战

M2TD面临的挑战集中于两大层面：一是领域问题，即隧道环境特有的结构化退化——重复的衬砌表面、缺乏视觉纹理、照明不足、几何特征稀疏及全球导航卫星系统（GNSS）完全阻断，导致传统SLAM方法出现尺度漂移、轨迹发散乃至完全失败，且现有数据集多针对普通室内或室外场景，缺乏对隧道长距离退化鲁棒性的系统评估；二是构建过程的实际难点，包括多平台多传感器硬件同步校准精度控制、UWB信号在隧道弯道和长直段的传播衰减、手持与车载模式下剧烈运动导致的点云畸变，以及低成本的LGAT框架需在仅一个UWB锚点条件下同时实现闭环检测、轨迹长度误差<0.5%和全局一致性，这对滤波算法设计提出了严苛要求。

常用场景

经典使用场景

M2TD数据集专为在长距离隧道退化环境中评估SLAM算法而设计，其核心应用场景涵盖了多平台（无人机、手持、车载）与多模态传感器（LiDAR、IMU、相机、UWB）的数据融合。研究者可借助此数据集，在结构重复、纹理稀疏、光照不足、几何特征有限及GNSS信号缺失的恶劣条件下，系统性地验证LiDAR、LiDAR-惯性及视觉-LiDAR-惯性SLAM算法的鲁棒性。该数据集提供的9条序列总计4.85公里轨迹，覆盖了未完工的海底隧道和运营中的交通隧道，为退化环境下的定位与建图基准测试提供了标准化平台。

实际应用

在实际工程应用中，M2TD数据集模拟了隧道建设与运维中的典型挑战，包括无人巡检、基础设施监测与自动驾驶。无人机序列可模拟隧道快速普查场景，手持序列适用于狭小空间内的人工作业辅助定位，而车载序列则反映了日常交通隧道的导航需求。该数据集所验证的SLAM算法可直接应用于地下矿洞、地铁隧道、城市管廊等类似退化环境中的自主机器人导航、施工监测与安全巡检系统，体现了从实验室研究到实地部署的技术转化潜力。

衍生相关工作

基于M2TD数据集，研究者已衍生出多项经典工作。在SLAM基准评估方面，FAST-LIO2、Point-LIO、FAST-LIVO2等通用方法在此数据集上暴露了长隧道中的尺度漂移与闭环不一致问题，推动了IGE-LIO、GenZ-ICP和DA-LIO等退化感知算法的改进。此外，LGAT框架作为低成本地面真值获取方案，为其他退化环境数据集构建提供了方法论参考。这些衍生工作不仅强化了隧道场景SLAM的理论体系，还催生了多传感器融合与退化场景自适应策略的深入探索，持续拓展了该领域的研究边界。