AgriChrono

AgriChrono是一个多模态数据集，旨在捕捉真实世界农业环境的动态条件。该数据集由AgriChrono平台收集，该平台集成了多个传感器，能够在不同的光照和作物生长阶段进行远程、同步的数据采集。数据集包含RGB图像、深度图、激光雷达扫描和IMU读数，涵盖了作物生长周期的不同阶段和光照条件的变化。AgriChrono数据集为时空作物建模和动态环境下的3D重建研究提供了宝贵资源。

AgriChrono is a multimodal dataset designed to capture the dynamic conditions of real-world agricultural environments. This dataset is collected via the AgriChrono platform, which integrates multiple sensors and enables remote, synchronous data acquisition across varying lighting conditions and crop growth stages. The dataset includes RGB images, depth maps, LiDAR scans and IMU readings, covering diverse stages of the crop growth cycle and variations in lighting conditions. The AgriChrono dataset serves as a valuable resource for research on spatiotemporal crop modeling and 3D reconstruction in dynamic environments.

原始信息汇总

AgriChrono 数据集概述

数据集基本信息

• 名称：AgriChrono
• 规模：18 TB
• 采集时间：2025年7月2日至8月1日
• 采集地点：北达科他州立大学实验田（法戈，北达科他州）

研究目标

捕获三个作物站点在真实户外条件下时间对齐的RGB-D、LiDAR和IMU数据，重点关注作物生长阶段和光照变化。

实验站点

站点1：主要油菜站点

• 作物类型：常规油菜（InVigor L340PC品种）
• 尺寸：50英尺×3英尺
• 种植日期：2025年6月1日
• 开花期：2025年7月10日
• 生长期：90-110天
• 目标：跟踪单一油菜品种在不同生长阶段和光照条件下的时间外观变化

站点2：油菜基因型试验站点

• 设计：11个区块×44个基因型
• 尺寸：每个44英尺×3英尺
• 种植日期：2025年5月30日
• 目标：通过记录多个分布地块中不同基因型，捕获形态和结构变异

站点3：亚麻试验站点

• 设计：4×4地块=16个地块
• 尺寸：每个8英尺×3英尺
• 作物类型：亚麻（Gold ND品种）
• 种植日期：2025年5月30日
• 生长期：90-120天
• 杂草控制：3个区块由机器人喷洒除草剂，1个区块人工除草
• 目标：通过不同作物类型和地块布置引入互补的结构多样性

数据采集协议

采集阶段

• 阶段1（7月2-21日）：每天4次，每周7天，用于活跃生长跟踪和光照变化
• 阶段2（7月22日-8月1日）：每周2次会话，生长减缓，采样减少

站点采集频率

• 站点1：7月2-21日每天4次，每周7天；7月22日-8月1日每天4次，每周2天
• 站点2：7月2日-8月1日每天1次，每周1-2天（选择日期）
• 站点3：7月2日-8月1日每天1次，每周1-2天（选择日期）

田间条件

• 雨天：跳过采集
• 湿土壤：使用木板供UGV通行
• 光照多样性：06:00（日出）、11:00（上午晚些时候）、16:00（下午）、21:00（日落）

数据类型与格式

原始数据格式

• LiDAR数据：包含IMU同步数据和时间戳LiDAR点云
• RGB-D数据：左右ZED X SVO录制文件及IMU和时间戳信息
• 同步文件：全局时间同步信息（ZED ↔ LiDAR）

提取数据格式

• 视频文件：RGB视图、深度视图、LiDAR点云视频
• 压缩档案：时间戳文件夹的压缩包
• 提取会话文件夹：包含深度数据、RGB帧、LiDAR点云和各种信息文件

传感器校准信息

左ZED X相机（4.0 mm）

• 分辨率：1920×1080
• 内参：fx=1258.97, fy=1258.97, cx=916.48, cy=553.83
• 外参：右→左变换矩阵

右ZED X相机（4.0 mm）

• 分辨率：1920×1080
• 内参：fx=1261.83, fy=1261.83, cx=978.86, cy=535.06
• 外参：右→左变换矩阵

数据文件结构

CSV文件格式

• zed_info.csv：包含匹配的帧ID、时间戳、相对时间和IMU数据
• lidar_info.csv：包含帧索引、时间戳和LiDAR的IMU数据

引用信息

tex @article{jeong2025agrichrono, title={AgriChrono: A Multi-modal Dataset Capturing Crop Growth and Lighting Variability with a Field Robot}, author={Jeong, Jaehwan and Vu, Tuan-Anh and Jony, Mohammad and Ahmad, Shahab and Rahman, Md. Mukhlesur and Kim, Sangpil and Jawed, M. Khalid}, journal={arXiv preprint arXiv:2508.18694}, year={2025}, primaryClass={cs.RO}, doi={10.48550/arXiv.2508.18694}, }

搜集汇总

数据集介绍

构建方式

在精准农业动态场景数据采集的背景下，AgriChrono数据集通过集成多传感器移动机器人平台进行系统构建。该平台搭载双ZED X立体相机、Livox Mid-360激光雷达及IMU单元，采用分层传感器架构与振动隔离机制，通过共享时间锚点文件实现跨模态毫秒级时序同步。数据采集历时一个月，在三种作物田区按生长阶段动态调整采样频率，每日固定四个光照时段采集，最终形成175个会话的18TB多模态时序数据。

使用方法

研究者可通过解压会话压缩包获取按模态分目录存储的标准格式数据，其中深度数据以NPZ和PNG双格式提供，点云包含150°前向与360°全向版本。数据集支持三维重建算法的基准测试，特别针对光照变异与生长跨度场景设计评估协议。用户可基于VGGT估计的相机位姿，在不同帧率条件下训练高斯溅射模型，并通过PSNR与SSIM指标量化模型在动态农田环境中的渲染质量与泛化能力。

背景与挑战

背景概述

AgriChrono数据集由加州大学洛杉矶分校与韩国大学联合研究团队于2025年创建，旨在解决精准农业中动态环境感知的核心问题。该数据集通过集成多模态传感器与自主机器人平台，首次实现了真实农田环境中光照变化与作物生长周期的同步捕获，填补了现有数据在时空维度与环境多样性上的空白。其18TB规模的数据为农业机器人视觉、三维重建与生长建模研究提供了关键基础，推动了农业人工智能系统在真实场景中的泛化能力发展。

当前挑战

该数据集主要挑战在于解决动态农田环境下的三维重建难题，包括作物形态随生长阶段的连续变化、自然光照条件剧烈波动导致的视觉表征不稳定，以及多模态传感器在野外环境下的时空同步精度问题。构建过程中需克服非结构化农田地形下的机器人稳定导航、长期部署中的硬件抗干扰设计，以及海量多模态数据的时间对齐与存储管理等技术瓶颈。

常用场景

经典使用场景

在精准农业的视觉感知研究中，AgriChrono数据集通过其多模态时序数据为三维重建任务提供了关键支撑。该数据集记录了三种作物在自然光照变化和生长周期中的同步RGB、深度、激光雷达及惯性测量数据，使得研究者能够构建动态农田场景的高精度数字孪生模型。其经典应用体现在对高斯溅射等先进重建算法的基准测试中，有效验证了模型在复杂户外环境下的几何一致性保持能力。

解决学术问题

该数据集解决了农业机器人领域模型泛化性不足的核心学术问题。通过捕捉真实农田环境中的光照动态变化、作物形态演进和自然扰动因素，填补了现有数据在时空连续性与环境真实性方面的空白。其多传感器时序对齐机制为研究光照自适应算法、生长阶段识别模型提供了数据基础，显著提升了农业视觉系统在开放环境中的鲁棒性与适应性。

实际应用

在实际农业场景中，该数据集支持作物表型分析系统的开发，通过时序三维点云数据实现植株高度、冠层密度等生长参数的自动化监测。其多光照条件数据可用于训练抗光照干扰的视觉导航算法，赋能农业机器人在晨昏、正午等不同光照条件下的自主作业。此外，数据集包含的基因型变异作物数据为育种研究提供了形态学对比分析的数字化基础。

数据集最近研究

最新研究方向

AgriChrono数据集作为农业机器人领域首个融合多模态时序数据的开放田野数据集，正推动动态环境下作物三维重建与生长监测研究的范式转移。其18TB规模的多传感器同步数据（RGB、深度、激光雷达、IMU）精准捕捉了光照剧变与作物形态演进，为克服传统受控环境数据集泛化性不足提供了关键支撑。当前研究聚焦于光照自适应神经网络架构、跨生长阶段时空特征对齐、以及动态场景下的新型视图合成算法优化，相关成果已应用于精准农业中的自动化作物表型分析与田间机器人自主导航系统。该数据集通过挑战性基准测试揭示出现有三维重建模型在真实农田环境中的性能边界，为农业人工智能模型在复杂自然条件下的鲁棒性演进设立了新标准。

相关研究论文

• AgriChrono: A Multi-modal Dataset Capturing Crop Growth and Lighting Variability with a Field Robot

  美国农业部, 韩国创意内容机构, 韩国信息和通信技术规划与评估研究所 · 2025年