Collaborative SLAM Dataset (CSD)

协作SLAM数据集(CSD)，由牛津大学于2018年发布，适用于室内环境，提供姿态和地图信息，使用手持有设备进行数据收集。

The Collaborative SLAM Dataset (CSD) was released by the University of Oxford in 2018. It is tailored for indoor environments, provides pose and map information, and its data was collected using handheld devices.

原始信息汇总

数据集概述

数据集分类

• 按主题分类

  • 里程计（Odometry）: 用于里程计基准的数据集。
  • 地图构建（Mapping）: 用于地图构建任务的数据集。
  • 地点识别（Place Recognition）: 提供地点（图像）对应关系的数据集。
  • 定位（Localization）: 用于度量级定位的数据集。
  • 感知（Perception）: 包含语义标签/对应关系的数据集。

• 按特性分类

  • 大规模（Large-scale）: 城市级地图，公里级地图。
  • 长期（Long-term）: 多会话，长期数据收集。
  • 地图复杂性（Map Complexity）: 地图结构的多样性。
  • 极端条件（Extreme Condition）: 极端环境，运动。

• 按平台分类

  • 车辆（Vehicle）: 商业车辆（四轮道路车辆）。
  • 移动机器人（Mobile Robot）: 移动机器人（如Husky, Rover等）。
  • 无人机（UAV）: 无人机包括无人机。
  • 自主水下车辆（AUV）: 水下机器人包括ROV。
  • 无人水面车辆（USV）: 水面车辆如独木舟和船。
  • 手持设备（Hand-held Device）: 人类手持平台。

• 按环境分类

  • 城市（Urban）: 城市、校园、城镇和基础设施。
  • 室内（Indoor）: 室内环境。
  • 地形（Terrain）: 粗糙地形、地下、湖泊和农场。
  • 水下（Underwater）: 水下地板、洞穴。

数据集列表

Shortname	Affiliation	Year	Platform	Publication	Environment	GT-Pose	GT-Map	IMU	GPS	Labels	Lidar	Cameras	RGBD	Event	Radar	Sonar	DVL	Other
Collaborative SLAM Dataset (CSD)	Oxford	2018	Hand	TVCG/ISMAR	Indoor	O	O	O				O	O					Tango (Asus ZenFone AR)
ADVIO Dataset	Aalto U	2018	Hand	ECCV	Urban	O	O	O				O						iPhone, Tango, Pixel
DeepIO Dataset	Oxford	2018	Hand	Arxiv	Indoor	O		O
Aqualoc Dataset	ONERA-DTIS	2018	ROV	IROS WS	Underwater	O		O				O						Pressure Sensor
Rosario Dataset	CONICET-UNR	2018	Mob	IJRR (Under Review)	Terrain	O		O				O						Encoder
InteriorNet	Imperial College	2018	Hand	BMVC	Indoor	O	O	O		O		O	O	O				Texture, Lighting, Context, Optical Flow
SPO Dataset	TUM, Karlsruhe	2018	Hand	Arxiv	Urban	O						O						Plenoptic Camera
Complex Urban	KAIST-IRAP	2018	Veh	ICRA	Urban	O	O	O	O		O							Encoder
KAIST Day/Night	KAIST-RCV	2018	Veh	T-ITS	Urban	O		O	O	O	O	O						Thermal Camera
TUM-Visual-Inertial	TUM	2018	Hand	Arxiv	Indoor, Urban			O					O		O
Multi Vech Event	Upenn	2018	Veh	RA-L	Urban	O		O	O		O	O		O
VI Canoe	UIUC	2018	USV	IJRR	Terrain	O		O	O			O
MPO-Japan	ETH-RPG	2017	UAV / Hand	IJRR	Indoor	O		O				O		O
Underwater Cave	UDG	2017	AUV	IJRR	Underwater	O		O				O				O	O	Profiling Sonar
Robot @ Home	MRPT	2017	Mob	IJRR	Indoor	O	O			O	O		O					Semantic Labels
Zurich Urban MAV	ETH-RPG	2017	UAV	IJRR	Urban	O		O	O			O						Streetview images
Chilean Underground	Trimble	2017	Mob	IJRR	Terrain (Underground)	O					O	O			O			Encoder
SceneNet RGB-D	Imperial	2017	Hand	ICCV	Indoor	O				O			O
Symphony Lake	Georgia Tech	2017	USV	IJRR	Terrain (Lake)			O	O		O	O						PTZ camera, Longterm
Agricultural robot	Bonn	2017	Mob	IJRR	Terrain	O			O	O	O	O	O					Multispectral camera
Beach Rover	TEC-MMA	2017	Mob		Terrain	O		O	O		O	O	O					Encoder
EuRoC	ETH-ASL	2016	UAV	IJRR	Indoor	O	O	O				O
Cartographer	Google	2016	Hand	ICRA	Indoor			O			O	O
TUM-Mono	TUM	2016	Hand	Arxiv	Indoor, Urban										O			Photometric Calibration
Cityscape	Daimler AG	2016	Veh	CVPR	Urban	O			O	O		O
Solar-UAV	ETHZ	2016	UAV	CVPR	Terrain	O	O	O	O		O
CoRBS	DFKI	2016	Hand	WACV	Indoor	O	O						O
Oxford-robotcar	Oxford	2016	Veh	IJRR	Urban	O		O	O		O	O
NCLT	UMich	2016	Mob	IJRR	Urban	O		O	O		O							FOG
RPG-event	Kyushu U	2016	Veh	IROS	Urban, Terrain			O	O		O	O						FARO 3D
CCSAD	CIMAT	2015	Veh	CAIP	Urban			O	O			O
TUM-Omni	TUM	2015	Hand	IROS	Indoor, Urban							O
Augmented ICL-NUIM	Redwood	2015	Hand	CVPR	Indoor	O	O						O
Cambridge Landmark	Cambridge	2015	Hand	ICCV	Urban	O	O					O
ICL-NUIM	Imperial	2014	Hand	ICRA	Indoor	O	O						O
MRPT-Malaga	MRPT	2014	Veh	AR	Urban			O	O		O	O
KITTI	KIT	2013	Veh	IJRR	Urban	O		O	O	O	O	O
Canadian Planetary	UToronto	2013	Mob	IJRR	Terrain	O		O	O		O (sensor)	O
Microsoft 7 scenes	Microsoft	2013	Hand	CVPR	Indoor	O	O					O
SeqSLAM	QUT	2012	Veh	ICRA	Urban					O		O
ETH-challenging	ETH-ASL	2012	Hand	IJRR	Urban, Terrain			O	O		O	O	O
TUM-RGBD	TUM	2012	Hand / Mob	IROS	Indoor	O		O					O
ASRL-Kagara-airborne	UToronto	2012	UAV	FSR	Terrain			O	O			O
[Devon Island Rover](

搜集汇总

数据集介绍

构建方式

Collaborative SLAM Dataset (CSD) 是通过手持设备在室内环境中采集的多模态数据构建而成。该数据集利用Asus ZenFone AR设备，结合Tango技术，捕捉了RGB图像、深度信息以及惯性测量单元（IMU）数据。数据采集过程中，设备在多个室内场景中移动，记录了丰富的环境信息，并通过同步的时间戳确保数据的一致性。此外，数据集还提供了精确的位姿和地图信息，为SLAM算法的验证和优化提供了坚实的基础。

特点

CSD数据集的特点在于其多模态数据的丰富性和高精度。数据集不仅包含RGB图像和深度信息，还提供了IMU数据，能够支持视觉惯性SLAM算法的研究。数据集的室内环境涵盖了多种复杂场景，如走廊、房间和开放空间，能够有效测试算法在不同环境下的鲁棒性。此外，数据集的位姿和地图信息经过精确校准，确保了数据的高质量，为研究者提供了可靠的基准。

使用方法

CSD数据集的使用方法较为灵活，研究者可以通过GitHub页面下载数据集，并利用提供的脚本进行数据解析和可视化。数据集的结构清晰，包含时间戳同步的RGB图像、深度图和IMU数据，便于研究者进行多模态数据的融合分析。此外，数据集还提供了位姿和地图的GT（Ground Truth）信息，可用于算法的精度评估。研究者可以根据需求选择特定的场景或数据模态，进行SLAM算法的开发与验证。

背景与挑战

背景概述

Collaborative SLAM Dataset (CSD) 是由牛津大学的研究团队于2018年发布的一个专注于协同同步定位与地图构建（SLAM）的数据集。该数据集旨在解决多设备协同工作环境下的SLAM问题，特别是在室内环境中，通过使用手持设备（如Asus ZenFone AR）进行数据采集。CSD的发布填补了多设备协同SLAM研究领域的数据空白，为研究者提供了一个标准化的基准，推动了协同SLAM算法的发展。该数据集不仅包含了精确的位姿信息，还提供了地图数据，为多设备协同环境下的定位与地图构建提供了重要的实验基础。

当前挑战

CSD数据集在解决多设备协同SLAM问题时面临的主要挑战包括：1) 多设备间的数据同步问题，尤其是在室内环境中，设备间的通信延迟和数据不一致性可能导致定位误差；2) 复杂室内环境下的动态障碍物和光照变化，增加了地图构建和定位的难度；3) 数据采集过程中，手持设备的运动不稳定性和传感器噪声对数据质量的影响。此外，构建该数据集时，研究人员还需克服多设备协同数据采集的技术难题，确保数据的一致性和完整性，这对硬件和软件的要求极高。

常用场景

经典使用场景

Collaborative SLAM Dataset (CSD) 主要用于多机器人协同定位与建图（SLAM）的研究。该数据集通过多个手持设备在室内环境中采集数据，提供了丰富的视觉和惯性测量单元（IMU）数据，能够支持多机器人系统的协同定位与地图构建。研究人员可以利用该数据集验证多机器人系统中的信息融合算法，提升在复杂环境下的定位精度和地图一致性。

实际应用

在实际应用中，CSD 数据集可广泛应用于室内机器人导航、仓储物流、智能家居等领域。通过多机器人协同定位与建图，能够实现高效的路径规划和环境感知，提升机器人在复杂环境中的自主作业能力。例如，在仓储物流中，多机器人系统可以利用该数据集进行协同作业，优化货物搬运和库存管理的效率。

衍生相关工作

基于 CSD 数据集，许多经典研究工作得以展开。例如，研究人员提出了多种多机器人协同SLAM算法，如分布式地图融合技术和基于图优化的协同定位方法。这些工作不仅提升了多机器人系统的定位精度，还为后续研究提供了重要的参考框架。此外，CSD 数据集还促进了多机器人系统在动态环境中的应用研究，推动了该领域的进一步发展。