NUFR Multimodal multifloor dataset

本数据集包含了一个多模态多楼层室内SLAM评估的数据，数据收集自东北大学的ISEC建筑，覆盖了机器人可能遇到的各种挑战性场景。数据集配备了七台全局快门相机、一个高精度MEMS惯性测量单元、一个ZED立体相机和一个128通道高分辨率激光雷达。数据集不仅提供了数据，还对多种SLAM算法进行了基准测试，并指出了在运行中遇到的问题，如感知混淆、视觉退化和轨迹漂移。

This dataset consists of multimodal, multi-floor indoor SLAM evaluation data collected from the ISEC Building of Northeastern University, covering a wide range of challenging scenarios that robots may encounter. It is equipped with seven global-shutter cameras, a high-precision MEMS inertial measurement unit (IMU), a ZED stereo camera, and a 128-channel high-resolution LiDAR. In addition to providing the collected sensory datasets, this dataset also carries out benchmark tests on multiple SLAM algorithms and documents the runtime issues observed during experiments, including perceptual ambiguity, visual degradation, and trajectory drift.

原始信息汇总

数据集概述

数据集名称

• Challenges of Indoor SLAM: A multi-modal multi-floor dataset for SLAM evaluation

数据集描述

• 该数据集旨在评估室内SLAM（Simultaneous Localization and Mapping）的挑战，特别是在多模态和多楼层环境中的应用。数据集包含多种传感器数据，用于捕捉室内环境中的复杂场景，如反射面、动态内容和多楼层布局的感知混淆。

数据收集环境

• 数据收集于Northeastern University的ISEC建筑内，覆盖多个楼层。

传感器配置

• 主要传感器：七个全局快门相机、一个高精度MEMS惯性测量单元（IMU）、一个ZED立体相机、一个128通道高分辨率激光雷达。
• 传感器布局：前视摄像头阵列（红色）、非重叠侧摄像头（橙色）、IMU（绿色）和激光雷达（蓝色）。

数据集内容

• ISEC数据集

  • 全序列：515.0 GB，1539.70秒，约782米，包含反射表面、最小动态内容、日光、对称楼层、电梯、开放中庭。
  • 各楼层及转换数据：详细记录了每个楼层的数据大小、持续时间、估计长度及特定描述。
  • 校准文件：包括相机和IMU的校准参数，用于确保传感器数据的准确对齐。

• Snell图书馆数据集

  • 全序列：573.5 GB，1700.6秒，约699米，包含丰富的房间特征、无特征的走廊、多个障碍物、静态和动态人物。
  • 各楼层及转换数据：详细记录了每个楼层的数据大小、持续时间、估计长度及特定描述。
  • 校准文件：包括相机和IMU的校准参数，以及ZED相机的特定校准。

数据集用途

• 用于评估和改进SLAM算法在复杂室内环境中的性能，特别是解决感知混淆、视觉退化和轨迹漂移等问题。

数据集下载

• 数据集可通过提供的链接下载，包括全序列和各楼层及转换的详细数据。

引用信息

• 如使用此数据集，请引用相关论文：

  @INPROCEEDINGS{10260618, author={Kaveti, Pushyami and Gupta, Aniket and Giaya, Dennis and Karp, Madeline and Keil, Colin and Nir, Jagatpreet and Zhang, Zhiyong and Singh, Hanumant}, booktitle={2023 IEEE 19th International Conference on Automation Science and Engineering (CASE)}, title={Challenges of Indoor SLAM: A Multi-Modal Multi-Floor Dataset for SLAM Evaluation}, year={2023}, pages={1-8}, doi={10.1109/CASE56687.2023.10260618}}

搜集汇总

数据集介绍

构建方式

NUFR多模态多楼层数据集构建于东北大学ISEC建筑内，通过移动机器人平台在多个楼层进行数据采集。该数据集旨在模拟机器人实际运行中的复杂场景，涵盖了对称楼层布局、电梯过渡、开放中庭等常见挑战。传感器套件包括七个全局快门相机、高精度MEMS惯性测量单元（IMU）、ZED立体相机以及128通道高分辨率激光雷达。数据采集过程中，特别关注了感知混淆、视觉退化及轨迹漂移等问题，为SLAM算法的鲁棒性评估提供了丰富的实验场景。

特点

NUFR数据集以其多模态和多楼层的特性脱颖而出，涵盖了从单一楼层到跨楼层过渡的多种场景。数据集中的楼层布局具有高度对称性，容易引发感知混淆，为SLAM算法的鲁棒性测试提供了理想环境。此外，数据集还包含了丰富的传感器数据，如高分辨率激光雷达、多视角相机和IMU数据，能够全面支持多模态融合算法的研究。数据集还提供了详细的传感器校准文件，确保数据的高精度和一致性。

使用方法

NUFR数据集的使用方法灵活多样，适用于SLAM算法的开发与评估。用户可通过下载数据集中的不同序列，如单一楼层或跨楼层过渡数据，进行算法测试。数据集提供了详细的传感器校准文件，用户可根据需要加载相应的校准参数。此外，数据集还附带了多个SLAM算法的基准测试结果，用户可参考这些结果进行对比分析。通过使用该数据集，研究人员能够深入探讨SLAM算法在复杂室内环境中的表现，并针对感知混淆、视觉退化等问题提出改进方案。

背景与挑战

背景概述

NUFR Multimodal Multifloor数据集由东北大学的研究团队于2023年发布，旨在为室内同步定位与地图构建（SLAM）算法的评估提供多模态、多楼层的真实场景数据。该数据集采集自东北大学ISEC大楼的多个楼层，涵盖了常见的室内环境挑战，如对称楼层布局、动态物体干扰、视觉退化等。数据集包含七台全局快门相机、高精度MEMS惯性测量单元（IMU）、ZED立体相机以及128通道高分辨率激光雷达的传感器数据。通过这一数据集，研究人员能够深入分析SLAM算法在复杂环境中的表现，尤其是感知混淆、轨迹漂移等问题。该数据集为SLAM领域的研究提供了重要的实验基础，推动了室内自主导航系统的进一步发展。

当前挑战

NUFR Multimodal Multifloor数据集在构建和应用过程中面临多重挑战。首先，室内环境的对称性和重复性导致感知混淆问题，使得SLAM算法难以准确区分不同楼层或相似区域。其次，动态物体的存在和光照变化对视觉传感器的稳定性提出了严峻考验，尤其是在开放区域和走廊等复杂场景中。此外，多模态数据的同步与校准也是数据集构建中的关键挑战，不同传感器之间的时间偏差和空间对齐需要精确处理。这些挑战不仅反映了SLAM算法在真实环境中的局限性，也为未来的研究提供了重要的改进方向。

常用场景

经典使用场景

NUFR Multimodal Multifloor数据集在室内同步定位与地图构建（SLAM）研究中具有重要应用。该数据集通过多模态传感器（包括七台全局快门相机、高精度MEMS惯性测量单元、ZED立体相机和128通道高分辨率激光雷达）捕捉了多楼层环境中的复杂场景，特别适用于评估SLAM算法在对称楼层布局、视觉退化、感知混淆和轨迹漂移等挑战性条件下的表现。

实际应用

在实际应用中，NUFR数据集为室内自主导航系统的开发提供了重要支持。例如，在商业办公楼、医院和仓库等复杂室内环境中，机器人需要应对对称楼层布局和动态障碍物的挑战。该数据集能够帮助开发人员验证和改进SLAM算法，确保机器人在真实场景中的定位与地图构建精度和稳定性。

衍生相关工作

基于NUFR数据集，许多经典研究工作得以展开。例如，研究人员利用该数据集开发了针对感知混淆和视觉退化的新型SLAM算法，并提出了多传感器融合的优化策略。此外，该数据集还被用于评估深度学习在SLAM中的应用，推动了基于学习的定位与地图构建技术的发展。