Bench-RNR

Bench-RNR数据集是一个多样化的基础设施激光雷达车辆定位数据集，包含重复和非重复扫描激光雷达数据，经过精确的时间同步和传感器校准。数据集包含5445帧点云数据，涵盖8个车辆轨迹序列，轨迹类型多样。实验结果表明，非重复扫描激光雷达在车辆定位方面具有优势，可消除盲区，且成本更低。该数据集可用于评估和比较不同激光雷达扫描模式在基础设施车辆定位中的应用效果，为选择最合适的激光雷达扫描模式提供指导。The Bench-RNR Dataset is a diverse infrastructure LiDAR-based vehicle localization dataset containing repeat and non-repeat scan LiDAR data with precise time synchronization and sensor calibration. It includes 5445 frames of point cloud data across 8 vehicle trajectory sequences with diverse trajectory types. Experimental results demonstrate that non-repeat scan LiDAR has advantages in vehicle localization: it can eliminate blind spots and features lower cost. This dataset can be used to evaluate and compare the performance of different LiDAR scan modes in infrastructure-based vehicle localization, providing guidance for selecting the most appropriate LiDAR scan mode.

搜集汇总

数据集介绍

构建方式

在智能交通系统快速发展的背景下，Bench-RNR数据集通过精心设计的传感器配置构建而成。数据采集于上海交通大学露天停车场，部署了128线重复扫描激光雷达和两台Livox Avia非重复扫描激光雷达，辅以双摄像头监控。采用网络时间协议实现多传感器时间同步，并通过RANSAC算法与手动校准完成坐标系对齐，确保点云数据时空一致性。实验车辆搭载高精度GNSS/IMU系统，其厘米级定位数据作为真值，通过点云分割与模板匹配优化坐标转换参数，最终形成包含5,445帧点云的标准化数据集。

特点

作为首个专注于路边车辆定位的激光雷达对比数据集，Bench-RNR的突出特点在于同步提供重复与非重复扫描模式的原始数据。数据集涵盖8类车辆轨迹序列，包含泊车与行驶场景，点云帧均经过严格时空对齐。非重复扫描雷达点云呈现时空连续特性，能有效消除固定盲区，而128线雷达则提供高密度采样数据。统计显示目标车辆上的点云数量存在显著差异：128线雷达峰值达1,100点，非重复扫描雷达仅150点，这种稀疏性与分布不均匀性为算法鲁棒性研究提供了独特挑战。

使用方法

该数据集以ROS数据包格式发布，支持直接接入机器人操作系统生态。研究人员可利用其开展多模态感知算法验证，特别适用于重复与非重复扫描雷达的定位性能对比研究。使用流程包括点云背景建模、前景分割、目标聚类及连续跟踪，继而应用四种基线方法（PCA-OBB、凸包拟合、点云配准与PV-RCNN检测网络）进行车辆位姿估计。数据集已预分割训练集与测试集，支持端到端评估定位误差与航向角精度，为智能交通基础设施的传感器选型提供实证依据。

背景与挑战

背景概述

随着车路协同技术的快速发展，智能交通系统对路侧感知与车辆定位的精度要求日益提升。Bench-RNR数据集由上海交通大学研究团队于2024年提出，旨在解决基于路侧激光雷达的车辆定位问题，特别聚焦于重复扫描与非重复扫描两类激光雷达的性能对比。该数据集包含5,445帧点云数据，覆盖八种车辆轨迹类型，通过高精度时空同步与传感器标定，为车路协同领域提供了首个同时包含两类激光雷达数据的开源基准。

当前挑战

在领域问题层面，Bench-RNR需应对非重复扫描激光雷达点云稀疏性与分布不均对定位精度的影响，传统依赖点云完整性的方法如PCA边界框估计易因数据缺失产生偏差。构建过程中，挑战主要体现在多传感器时间同步精度保障、非重复扫描激光雷达与重复扫描设备的外参标定对齐，以及动态场景下车辆点云分割与高精度模板匹配的复杂性。

常用场景

经典使用场景

在智能交通系统领域，Bench-RNR数据集为路侧激光雷达车辆定位研究提供了标准化的评估平台。该数据集通过同步采集重复扫描与非重复扫描激光雷达数据，支持对两种扫描模式在车辆定位精度、点云分布特性等方面的系统性对比分析。其经典应用场景包括基于点云分割、模板配准等方法的车辆位姿估计实验，为不同算法在真实路侧环境下的性能验证奠定基础。

实际应用

该数据集的实际应用价值体现在智能交通基础设施的优化部署中。通过对比不同激光雷达在真实路侧场景下的定位表现，为城市道路监控、云控车辆精准定位等应用提供了传感器选型指导。例如，非重复扫描激光雷达以较低成本实现与高端多线雷达相当的定位精度，可支持停车场车辆轨迹追踪、交叉路口协同感知等具体场景，为智慧交通系统的低成本高精度感知方案设计提供数据支撑。

衍生相关工作

Bench-RNR数据集催生了多类经典研究方向的拓展。基于其点云特性，衍生出针对非重复扫描点云稀疏性的改进算法，如结合车辆模板先验知识的Register-Loc配准方法；在感知任务延伸方面，推动了DAIR-V2X-I等路侧检测模型的跨域适配研究；同时为Livox系列固态激光雷达在SLAM（如LOAM-Livox）、动态目标检测（如M-detector）等领域的应用提供了真实数据验证基础，形成了从定位到感知的技术链条。