UrbanNav

UrbanNav数据集旨在为社区提供一个挑战性的数据源，以进一步加速在具有挑战性的城市峡谷中进行准确和稳健定位的研究。该数据集包括来自GNSS接收器、LiDAR、相机和IMU的传感器测量，以及来自SPAN-CPT系统的准确地面实况。与现有数据集不同，UrbanNav提供原始GNSS RINEX数据，使用户能够通过原始数据提高GNSS定位性能。

The UrbanNav dataset aims to provide the research community with a challenging data source to further accelerate research on accurate and robust localization in challenging urban canyons. This dataset includes sensor measurements from GNSS receivers, LiDAR, cameras, and IMUs, as well as accurate ground truth from the SPAN-CPT system. Unlike existing datasets, UrbanNav provides raw GNSS RINEX data, enabling users to improve GNSS localization performance using the raw data.

原始信息汇总

数据集概述：UrbanNav

数据集描述

• 名称: UrbanNav
• 目的: 提供一个挑战性的数据源，以加速在具有挑战性的城市峡谷中精确和稳健定位的研究。
• 特点: 包括GNSS接收器、LiDAR、相机和IMU的传感器测量，以及来自SPAN-CPT系统的精确地面实况。提供原始GNSS RINEX数据，允许用户通过原始数据提高GNSS定位性能。
• 关键词: 定位、本地化、GNSS定位、城市峡谷、GNSS原始数据、动态对象、GNSS/INS/LiDAR/相机、地面实况

重要注意事项

• GNSS RINEX文件访问: 提供GNSS测量作为GNSS RINEX数据，并即将开放源代码包GraphGNSSLib，该包提供对GNSS RINEX文件的简易访问，并发布为定制的ROS消息。
• 数据集贡献: 欢迎研究人员将其数据集作为UrbanNav的一部分进行贡献，并通过电子邮件联系。
• 算法验证和贡献: 欢迎研究人员在代码审查过程后分享其导航解决方案结果和源代码。

香港数据集

• 传感器设置: 使用本田Fit作为数据收集平台，装备有3D LiDAR、IMU、GNSS接收器和相机。
• 数据集1: UrbanNav-HK-Data20190428
  • 收集日期: 2019/04/28
  • 总大小: 42.9 GB
  • 路径长度: 2.01 Km
  • 传感器: GNSS/LiDAR/相机/IMU/SPAN-CPT
  • 下载链接: 提供Dropbox和Baidu云链接。
• 数据集2: UrbanNav-HK-Data20200314
  • 收集日期: 2020/03/14
  • 总大小: 27.0 GB
  • 路径长度: 1.21 Km
  • 传感器: LiDAR/相机/IMU/SPAN-CPT
  • 下载链接: 提供Dropbox和Baidu云链接。

东京数据集

• 传感器设置: 装备有3D LiDAR、IMU、GNSS接收器和地面实况。
• 数据集1: UrbanNav-TK-20181219
  • 收集日期: 2018/12/19
  • 总大小: 4.14 GB
  • 路径长度: >10 Km
  • 传感器: GNSS/LiDAR/IMU/地面实况
  • 下载链接: 提供Dropbox和Baidu云链接。

联系作者

• 技术问题: Weisong Wen ([e-mail])
• 商业查询: Li-ta Hsu ([e-mail])

搜集汇总

数据集介绍

构建方式

UrbanNav数据集的构建依托于亚洲城市峡谷环境中的多传感器数据采集，涵盖了东京和香港等典型城市区域。数据采集平台配备了GNSS接收器、LiDAR、相机和IMU等多种传感器，并结合SPAN-CPT系统提供的高精度地面真值数据。数据集通过ROS格式存储，包含GNSS原始RINEX数据、LiDAR点云、相机图像及IMU测量值，旨在为城市峡谷环境中的定位与导航研究提供挑战性数据源。

特点

UrbanNav数据集的特点在于其专注于城市峡谷环境中的GNSS定位优化，同时提供了多模态传感器数据。数据集不仅包含GNSS原始RINEX数据，还集成了LiDAR、相机和IMU的测量数据，能够支持GNSS定位算法的改进与多传感器融合研究。此外，数据集涵盖了高动态城市环境与低城市化区域，为算法验证与对比提供了多样化场景。

使用方法

UrbanNav数据集的使用方法包括通过ROS框架加载ROSBAG文件，获取GNSS定位、LiDAR点云、相机图像及IMU数据。对于GNSS RINEX文件，建议使用RTKLIB进行处理。此外，用户可通过GraphGNSSLib工具包访问GNSS RINEX数据，并将其转换为自定义的ROS消息格式。数据集还支持非ROS用户通过CSV格式获取IMU和SPAN-CPT数据，便于不同研究场景下的算法验证与开发。

背景与挑战

背景概述

UrbanNav数据集由香港理工大学智能定位与导航实验室于2019年创建，旨在解决城市峡谷环境中的定位与导航问题。该数据集由Weisong Wen、Feng Huang和Li-ta Hsu等研究人员主导，专注于利用低成本传感器在亚洲城市峡谷（如东京和香港）中实现高精度定位。数据集包含GNSS接收器、LiDAR、相机和IMU的传感器数据，并提供了来自SPAN-CPT系统的精确地面真值。与现有的Waymo和KITTI数据集不同，UrbanNav提供了原始的GNSS RINEX数据，使用户能够通过原始数据改进GNSS定位性能。该数据集为城市峡谷中的定位算法研究提供了重要的基准测试平台，推动了相关领域的技术进步。

当前挑战

UrbanNav数据集面临的挑战主要集中在两个方面。首先，城市峡谷环境中的GNSS信号受到高层建筑的影响，导致非视距（NLOS）接收和多径效应，严重降低了定位精度。其次，动态物体（如车辆和行人）的频繁出现干扰了LiDAR和相机的性能，进一步增加了定位的复杂性。在数据集构建过程中，研究人员还需解决多传感器数据同步、坐标转换以及地面真值获取等技术难题。这些挑战使得UrbanNav数据集成为测试和验证复杂城市环境中定位算法的理想选择，同时也为相关领域的研究提供了新的研究方向。

常用场景

经典使用场景

UrbanNav数据集在定位与导航领域具有广泛的应用，尤其是在城市峡谷环境中的GNSS定位优化研究。该数据集通过提供多传感器（GNSS、LiDAR、相机和IMU）的原始数据，为研究人员提供了一个极具挑战性的实验平台。经典的使用场景包括在城市峡谷环境中测试和验证各种定位算法，尤其是在高楼林立、动态物体频繁出现的复杂环境中，评估GNSS定位的精度和鲁棒性。

衍生相关工作

UrbanNav数据集衍生了许多经典的研究工作，尤其是在GNSS定位优化和多传感器融合领域。例如，基于该数据集的研究提出了利用3D LiDAR点云数据排除动态物体引起的GNSS非视距接收问题，显著提升了定位精度。此外，研究人员还开发了基于因子图优化（FGO）的GNSS/INS集成定位算法，进一步提高了复杂环境中的定位鲁棒性。这些工作不仅推动了定位技术的发展，还为自动驾驶和智能交通系统的实际应用奠定了理论基础。

数据集最近研究

最新研究方向

近年来，UrbanNav数据集在定位与导航领域的研究方向主要集中在复杂城市峡谷环境下的多传感器融合定位技术。随着城市化进程的加速，高密度建筑群对GNSS信号的遮挡和多径效应问题日益突出，传统的定位算法在这些环境中表现不佳。UrbanNav数据集通过提供包括GNSS、LiDAR、相机和IMU在内的多源传感器数据，为研究人员提供了一个极具挑战性的实验平台。特别是其提供的GNSS原始RINEX数据，使得研究者能够深入探索基于原始数据的GNSS定位优化方法，结合因子图优化（FGO）等先进算法，进一步提升定位精度和鲁棒性。此外，UrbanNav数据集还推动了基于LiDAR和视觉的SLAM技术在动态城市环境中的应用，为自动驾驶和智能交通系统的发展提供了重要的数据支持。