TreeLoc++ Dataset

TreeLoc++ 数据集是一个用于森林中鲁棒6自由度LiDAR定位的数据集。它包含来自牛津和Wild-Places等多个地点的处理序列，提供树级观测数据，包括下采样LiDAR帧和每帧的树级CSV文件。数据集支持单会话和多会话评估，适用于森林定位算法的开发和测试。The TreeLoc++ dataset is a dataset for robust 6-degree-of-freedom (6DoF) LiDAR localization in forest environments. It contains processed sequences collected from multiple sites including Oxford and Wild-Places, and provides tree-level observation data, including downsampled LiDAR frames and per-frame tree-level CSV files. The dataset supports both single-session and multi-session evaluation, and is suitable for the development and testing of forest localization algorithms.

原始信息汇总

TreeLoc++ 数据集概述

数据集名称：TreeLoc++ 公共数据集

发布地址：Google Drive（链接见原文）

数据集用途：用于森林环境中基于 LiDAR 的 6 自由度（6-DoF）定位，支持单次遍历（intra-session）和多次遍历（inter-session / multi-session）评估。

数据来源与提取：

• 树木观测数据通过 RealtimeTrees 从原始森林 LiDAR 录音中提取。
• 示例数据包含两份 Wild-Places Venman 序列样本（Wild_V03 和 Wild_V04），随仓库提供。
• 完整发布版本包含 Oxford 和 Wild-Places 数据集的处理结果。

数据集结构：

• 完整数据集目录（TreeLoc++_Dataset/）包含：
  • Oxford/：包括 Evo、Stein am Rein、Forest of Dean、Wytham、以及多会话序列 Evo23_00~Evo23_05、Evo25_00~Evo25_08。
  • Wild-Places/：包括 V-01~V-04、K-01~K-04。
• 每个序列文件夹包含：
  • PCD_downsampled_0.1.zip：降采样后的 LiDAR 帧（解压后为 downsampled_0.1/）。
  • tree_information.zip：逐帧的树木级 CSV 文件。
• 单会话序列额外提供 groundtruth.txt。
• 多会话序列（Evo23/Evo25）提供 initial_slam_results.csv 和 optimized.txt，用于 SLAM 初始化和优化轨迹参考。

期望的数据集格式：

• 根目录结构：

  dataset_root/ ├── trajectory.txt ├── TreeManagerState_0.csv ├── TreeManagerState_1.csv └── ...

• trajectory.txt：每行格式为 timestamp x y z qx qy qz qw。

• TreeManagerState_<idx>.csv 必需列：

  • axis_00 ~ axis_22（协方差矩阵）
  • location_x, location_y, location_z
  • dbh 或 dbh_approximation（胸径或近似值）

• 可选列（当存在时使用）：

  • reconstructed
  • number_clusters
  • score 或 scores

核心特点：

• 使用紧致数字森林清单（Digital Forest Inventories, DFIs）表示树干，替代稠密点云地图。
• 通过结合 TDH 检索、PDH 树布局上下文、三角形验证、DBH 一致性和偏航一致的局内点选择，提高结构模糊森林中的回环检测能力。
• 利用树木几何联合优化高度、横滚角和俯仰角，实现完整的 6-DoF 修正。
• 支持跨多次森林遍历的长期和多会话评估，使用统一的树木级地图接口。

相关数据源：

• Wild-Places 原始数据集：项目主页 和 CSIRO Data Access Portal
• Oxford 单会话原始录音：Oxford Forest Place Recognition Dataset

许可与引用：详细信息请参见原始 GitHub 仓库。

搜集汇总

数据集介绍

构建方式

TreeLoc++数据集专为森林环境下的鲁棒六自由度激光雷达定位而构建，其核心创新在于将树木结构抽象为紧凑的数字森林清单，而非依赖密集的点云地图。数据构建过程首先通过RealtimeTrees工具从原始森林激光雷达记录中提取树木级观测，随后对每个树干进行几何属性编码，包括树干位置、直径以及协方差矩阵等参数。这些信息被组织为每个序列文件夹内的逐帧CSV文件，并辅以下采样的LiDAR帧数据。该数据集整合了多个公开森林数据集，如Wild-Places Venman序列、牛津Evo、Stein am Rein、Forest of Dean、Wytham以及多会话Evo23/Evo25序列，形成了覆盖单次穿越与长期重复遍历的丰富测试场景。

特点

TreeLoc++数据集的核心特点在于其基于几何属性的树木级地图表征，将树干视为带方位、直径和结构协方差的点状地标，从而实现了对点云地图的高度压缩与泛化。该数据集通过结合树描述符直方图检索与树布局上下文、三角形验证、直径一致性检查及偏航一致内点选择策略，显著提升了在结构模糊森林中的检索鲁棒性。此外，数据集支持在几何匹配后联合优化高度、横滚和俯仰角，从而从树木几何中估计完整的六自由度位姿修正。其多会话设计使得跨时空的长期定位评估成为可能，为森林环境下的持久化定位研究提供了坚实基础。

使用方法

TreeLoc++数据集的使用依托于配套的C++17开源代码库，编译过程简洁，仅需安装CMake、C++17编译器和Eigen3即可完成构建。用户可运行内置的会话内与跨会话定位评估程序，通过修改YAML配置文件调整阈值参数，快速获得召回率、成功率及平移旋转误差等关键指标。数据集还支持生成GTSAM兼容的位姿边文件，便于后续进行图优化处理。使用流程包括将原始激光雷达数据通过RealtimeTrees处理为树管理器CSV文件，并按指定目录结构组织数据集根目录，即可无缝启用全套定位与优化功能。

背景与挑战

背景概述

TreeLoc++数据集由研究团队于2026年发布，旨在应对森林环境中基于LiDAR的六自由度鲁棒定位这一核心研究问题。该数据集聚焦于利用数字森林清单（DFI）表征树木茎干的几何属性，替代传统稠密点云地图，从而在结构模糊的森林场景中实现高效检索与全自由度位姿估计。数据集整合了牛津大学、Wild-Places等多源森林场景的LiDAR记录，涵盖单次与多会话遍历数据，为长期、跨时段定位评估提供了统一的树级地图接口。其发布推动了森林机器人定位领域从稠密地图向紧凑几何表征的范式转变，显著提升了在具有挑战性的自然环境下定位方法的泛化能力与实用性。

当前挑战

构建TreeLoc++数据集面临双重挑战：在领域问题层面，森林环境固有的结构模糊性（如树木相似性、遮挡与稠密植被）使得传统基于特征匹配或稠密地图的定位方法极易失效，亟待一种能融合树木几何属性与上下文拓扑信息的鲁棒检索与配准框架。在构建过程中，从原始LiDAR点云中精确分割并提取每棵树的茎干几何参数（如位置、胸径、形状），同时保证跨会话一致性极其困难；此外，大规模多源数据（涵盖不同树种、地形和林冠密度）的标准化处理，以及地面真值轨迹的高精度获取，均对数据集的质量与可用性构成了严峻挑战。

常用场景

经典使用场景

TreeLoc++数据集为森林环境下基于LiDAR的六自由度定位研究提供了标准化评估基准。该数据集的核心应用场景是验证和对比基于树级特征（如树干的几何属性、胸径和空间布局）的定位算法。研究者可利用该数据集进行会话内（intra-session）与会话间（inter-session）定位实验，评估算法在不同森林区域（如牛津、Wild-Places等）中的检索精度与位姿估计性能。数据集提供了处理后的树级观测文件与降采样点云帧，支持从单棵树匹配到全局布局推理的全流程定位研究，尤其适用于卫星信号受限的茂密林区场景。

衍生相关工作

TreeLoc++数据集衍生了一系列聚焦于紧凑树级表示的定位与建图工作。其前身TreeLoc首次提出了基于树干检测的数字森林清单定位方法，而TreeLoc++在此基础上引入了三角形验证、DBH一致性约束与俯仰-横滚联合优化，显著提升了六自由度位姿估计精度。该数据集促进了多个方向的研究，包括基于树冠结构的重定位、跨季节森林地图更新、以及多机器人森林环境协同建图。相关工作在ICRA、IROS等机器人顶级会议上持续涌现，推动了以树为地标的森林场景长期定位这一子领域的形成，并为后续研究提供了丰富的跨场景、多模态对齐基准。

数据集最近研究

最新研究方向

基于紧凑型数字森林清单（DFI）的鲁棒6自由度激光雷达定位成为森林机器人领域的前沿研究方向。TreeLoc++数据集突破了传统稠密点云地图的局限，通过将树木主干表示为具有几何属性的轻量化模型，显著提升了在结构模糊森林环境中的检索与定位精度。该研究结合树干描述符直方图（TDH）检索、局部布局上下文、三角验证及胸径一致性检验等多元技术，实现了从单棵树几何到完整六自由度位姿的联合优化。尤为关键的是，数据集支持跨季节、多时段的重复杂林遍历评估，为长期自主作业中的鲁棒定位提供了标准化基准，对生态监测、精准林业及搜救机器人等实际应用具有深远意义。