转运机器人感知数据

精准的环境感知能力是转运机器人实现安全运行的前提条件，而当前环境感知研究多依赖实验室模拟场景数据，与实际工业场景存在较大差异，导致算法在实际应用中检测精度与鲁棒性不足。其资源来源于同一涂装厂房南区场景，与前述定位数据集采集环境保持一致，确保了数据的场景真实性与关联性。采集设备为转运机器人搭载的万集单线激光雷达wj_719与Intel RealSense双目相机D455，两种传感器协同工作，可实现对环境的全方位感知。为模拟实际工业场景中的障碍物分布，在机器人运行轨道周边及对接区域布置了多种类型的障碍物，包括不同尺寸的工业工件、模拟作业人员的人形模型、转运托盘等，障碍物摆放位置涵盖机器人运行轨迹的侧面、前方及斜前方等关键区域，覆盖不同障碍物密度与尺寸工况。产生方法为通过ROS系统搭建多源感知数据同步采集框架，实时同步采集激光雷达的点云数据与双目相机的RGB图像、深度图像数据，采集频率均稳定在10Hz。采集完成后，利用PCL库对激光点云数据进行初步预处理，包括点云去畸变、地面点剔除、点云聚类等操作；利用OpenCV库对图像数据进行预处理，包括图像去噪、灰度化、阈值分割等操作。同时，组织专业技术人员对预处理后的感知数据进行人工标注，标注内容包括障碍物的类别、边界框位置、障碍物中心坐标等关键信息，标注精度误差≤0.5cm。主要内容包含激光雷达原始点云数据与预处理后点云数据、双目相机原始RGB图像与深度图像数据、预处理后的图像数据、障碍物人工标注信息、传感器内参与外参数据等。数据格式包含ROS标准.bag格式、.bmp格式，数据量为20.63GB，包含上千组不同障碍物场景下的感知数据序列。该数据集有效支撑了障碍物感知范围≥50m、检测距离误差≤0.2m的技术指标验证，为障碍物检测算法训练与优化、点云-图像配准技术研发、多源感知融合算法研究提供了覆盖不同障碍物密度、类型、尺寸的全面数据，显著提升了转运机器人在复杂工业环境中的安全运行能力与环境适应性。

搜集汇总

背景与挑战

背景概述

该数据集旨在提升转运机器人在复杂工业环境中的感知能力，采集自真实涂装厂房场景，包含激光雷达点云和双目相机图像等多源感知数据，并附有障碍物标注信息。数据总量为20.63GB，覆盖多种障碍物工况，可用于障碍物检测、多源感知融合等算法的训练与优化。