data_going_in_circles, data_driving

data_going_in_circles数据集：我们在东北大学附近的Ruggles Circle绕行了3圈，每圈速度逐渐增加，目的是消除数据中的硬铁和软铁失真并校准磁力计。data_driving数据集：我们在波士顿的街道上驾驶了几分钟，确保路径中有许多转弯，并返回到起点。使用从data_going_in_circles数据集中获得的校准参数，对该数据集中的磁力计数据进行了校准，并在此数据集上执行了传感器融合和航位推算。

data_going_in_circles dataset: We completed 3 laps around Ruggles Circle near Northeastern University, with the speed increasing gradually with each lap, aiming to eliminate hard-iron and soft-iron distortions and calibrate the magnetometer.

data_driving dataset: We drove on the streets of Boston for several minutes, ensuring that the route included numerous turns and returned to the starting point. Using the calibration parameters obtained from the data_going_in_circles dataset, we calibrated the magnetometer data in this dataset, and performed sensor fusion and dead reckoning on it.

原始信息汇总

数据集概述

数据集名称

Sensor Fusion of GPS and IMU Data for Automotive Dead Reckoning

数据集来源

该数据集是作为东北大学EECE 5554（机器人感知与导航）课程的实验作业而创建的。

数据集目标

• 使用东北大学提供的NUANCE自动驾驶汽车收集GPS和IMU数据。
• 创建自定义的ROS 2消息和驱动程序，用于GPS和IMU传感器，并将这些驱动程序组合成一个具有单一时间戳的自定义消息。
• 通过Allan方差分析IMU的噪声特性，并校准磁力计以纠正硬铁和软铁失真。
• 补偿加速度计偏差以估计车辆的前向速度。
• 使用互补滤波器融合陀螺仪和磁力计数据计算的偏航角，以估计IMU的航向用于航位推算。

数据收集

• 使用USB GNSS GPS模块和VN-100 VectorNav IMU进行数据收集。
• 传感器安装在NUANCE自动驾驶汽车上。

数据集类型

1. data_going_in_circles

   • 在东北大学附近的Ruggles Circle绕行3圈，每圈速度逐渐增加。
   • 该数据集的目的是消除数据中的硬铁和软铁失真，并校准磁力计。

2. data_driving

   • 在波士顿的街道上行驶数分钟，确保路径中有许多转弯。
   • 返回起点。
   • 使用从data_going_in_circles数据集中获得的校准参数，对该数据集中的磁力计数据进行校准，并进行传感器融合和航位推算。

数据收集视频

• data_going_in_circles数据集视频
• data_driving数据集视频

自定义ROS 2消息和驱动程序

• gps_msgs包包含自定义ROS 2消息GPSmsg.msg，包含header、latitude、longitude、altitude、utm_easting、utm_northing、zone和letter字段。
• imu_custom_message包包含自定义ROS 2消息IMUmsg.msg，包含header、imu、mag_field和raw_data字段。
• gps_driver从GPS模块读取串行数据，解析纬度、经度和高度，并将其转换为UTM坐标，发布到/gps主题。
• imu_driver解析$VNYMR字符串，获取加速度计、陀螺仪、方向（滚转、俯仰、偏航）和磁力计数据，并将偏航、俯仰、滚转数据转换为四元数，发布为方向信息。

ROS 2驱动程序启动

使用以下命令启动GPS和IMU驱动程序： bash ros2 launch imu_driver master_launch.py gps_port:=<GPS端口路径> imu_port:=<IMU端口路径>

数据分析中的图表

使用data_going_in_circles数据集

• 硬铁和软铁校准前后的磁力计X-Y图。

使用data_driving数据集

• 校正前后的磁力计时间序列数据。
• 磁力计偏航和陀螺仪积分偏航图。
• 低通滤波器、高通滤波器和互补滤波器图。
• 互补滤波器偏航和IMU计算的偏航角图。
• GPS速度估计与加速度计速度估计（调整前）图。
• GPS速度估计与加速度计速度估计（调整后）图。
• 𝜔𝑋̇和𝑦̈𝑜𝑏𝑠图。
• GPS显示的路径与IMU估计的路径图。

结果

详细的分析、所有图表和最终结果包含在Project_Report.pdf文件中。

致谢

感谢课程讲师Prof. Hanumant Singh以及助教Vishnu Rohit Annadanam和Jasen Levoy的帮助，以及东北大学提供的NUANCE自动驾驶汽车。

搜集汇总

数据集介绍

构建方式

该数据集通过将USB GNSS GPS模块和VN-100 VectorNav IMU传感器安装在NUANCE自动驾驶汽车上进行数据采集。数据采集过程中，车辆在东北大学附近的Ruggles Circle绕行三圈，速度逐圈递增，以消除磁力计的硬铁和软铁失真，并进行校准。此外，车辆还在波士顿市区行驶，路径包含多个转弯，最终返回起点，用于传感器融合和航位推算分析。

使用方法

使用该数据集时，可通过ROS 2驱动程序启动GPS和IMU传感器，并解析自定义的ROS 2消息格式。数据集中提供了绕圈和市区行驶的原始数据，用户可通过分析磁力计校准前后的数据、互补滤波器的输出以及GPS与IMU的路径对比，验证传感器融合算法的性能。具体操作可通过ROS 2的launch文件启动驱动程序，并指定传感器端口路径。

背景与挑战

背景概述

数据集data_going_in_circles和data_driving由美国东北大学EECE 5554课程的学生在实验室项目中创建，旨在通过融合GPS和IMU数据进行自动驾驶车辆的航位推算。该项目利用NUANCE自动驾驶汽车作为数据采集平台，结合USB GNSS GPS模块和VN-100 VectorNav IMU传感器，分别采集了车辆在圆形路径和城市道路行驶时的多模态数据。该数据集的核心研究问题在于通过传感器融合技术，解决IMU噪声特性、磁力计校准以及航向估计等问题，为自动驾驶领域的定位与导航提供了重要的实验数据支持。

当前挑战

该数据集在构建过程中面临多重挑战。首先，传感器数据的同步与融合是核心难题，由于GPS和IMU的采样频率不同，如何在高频IMU数据中有效利用低频GPS信息成为关键。其次，IMU数据的噪声特性复杂，需要通过Allan方差分析进行噪声建模，并校正加速度计和磁力计的偏差。此外，磁力计数据中的硬铁和软铁失真问题也需通过校准算法解决。最后，航位推算的精度依赖于对车辆速度、航向的准确估计，这对传感器数据的融合算法提出了较高要求。

常用场景

经典使用场景

在自动驾驶和机器人导航领域，`data_going_in_circles`和`data_driving`数据集被广泛用于传感器融合算法的验证与优化。通过收集GPS和IMU数据，研究人员能够模拟车辆在复杂环境中的运动轨迹，尤其是在城市道路和环形路径上的行驶情况。这些数据集为开发高精度的定位和导航系统提供了重要的实验基础。

解决学术问题

该数据集有效解决了自动驾驶领域中传感器数据融合的精度问题。通过对IMU噪声特性的分析、磁力计的校准以及加速度计偏差的补偿，研究人员能够显著提升车辆速度和航向角的估计精度。此外，数据集的采集和处理方法为后续研究提供了标准化的参考框架，推动了传感器融合技术的发展。

实际应用

在实际应用中，`data_going_in_circles`和`data_driving`数据集为自动驾驶汽车的定位系统提供了关键支持。通过融合GPS和IMU数据，车辆能够在GPS信号丢失或受到干扰的情况下，依然保持高精度的位置估计。这种技术在城市导航、物流运输和无人驾驶出租车等领域具有广泛的应用前景。

数据集最近研究

最新研究方向

在自动驾驶和机器人导航领域，传感器融合技术正成为研究的热点。数据集data_going_in_circles和data_driving通过结合GPS和IMU数据，为车辆定位和导航提供了重要的实验基础。这些数据集不仅用于磁力计的校准和传感器噪声分析，还推动了基于互补滤波的航向估计和死计算技术的发展。特别是在城市复杂环境中，这些数据集的应用展示了如何通过传感器融合提高定位精度和鲁棒性。随着自动驾驶技术的快速发展，这些数据集的研究方向正逐步扩展到多传感器融合、实时定位与地图构建（SLAM）以及高精度地图生成等领域，为未来的智能交通系统奠定了坚实的基础。