Awesome SLAM Datasets

这是一个精选的SLAM相关数据集列表，提供各种数据集的详细信息，包括平台、环境、特性等分类，并提供了数据集的评估和使用方法。

This is a curated list of SLAM-related datasets, which provides detailed information for each dataset with classifications covering platform, environment, characteristics and other relevant aspects, as well as the evaluation criteria and usage guidelines for the datasets.

原始信息汇总

Awesome SLAM Datasets 数据集概述

数据集分类

按评估方法分类

• Evaluation Methods of SLAM

按主题分类

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

按特性分类

• Large-scale: 城市级地图，公里级地图
• Long-term: 多会话，长期数据收集
• Map Complexity: 地图结构的变化
• Extreme Condition: 极端环境，极端运动

按平台分类

• Vehicle (Veh): 商用车辆（四轮在路上）
• Mobile robot (Mob): 移动机器人（例如 Husky, Rover 等）
• Unmanned Aerial Vehicle (UAV): 无人飞行机器人，包括无人机
• Autonomous Underwater Vehicle (AUV): 水下机器人，包括 ROV 以简化
• Unmanned Surface Vehicle (USV): 水面车辆，如独木舟和船
• Hand-held Device (Hand): 人类手持平台

按环境分类

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

数据集列表

简称	所属机构	年份	平台	出版物	环境	GT-Pose	GT-Map	IMU	GPS	标签	Lidar	相机	RGBD	Event	Radar	Sonar	DVL	其他
UZH-FPV Drone Racing	UZH, ETH	2019	UAV	ICRA	室内, 城市	O		O				O		O
FMDataset	Hangzhou Dianzi / Tsinghua	2019	Hand	ICME	室内			O					O
Rosario Dataset	CONICET-UNR	2019	Mob	IJRR	地形	O		O				O						Encoder
Collaborative SLAM Dataset (CSD)	Oxford	2018	Hand	TVCG/ISMAR	室内	O	O	O				O	O					Tango (Asus ZenFone AR)
ADVIO Dataset	Aalto U	2018	Hand	ECCV	城市	O	O	O				O						iPhone, Tango, Pixel
DeepIO Dataset	Oxford	2018	Hand	Arxiv	室内	O		O
Aqualoc Dataset	ONERA-DTIS	2018	ROV	IROS WS	水下	O		O				O						Pressure Sensor
InteriorNet	Imperial College	2018	Hand	BMVC	室内	O	O	O		O		O	O	O				Texture, Lighting, Context, Optical Flow
SPO Dataset	TUM, Karlsruhe	2018	Hand	Arxiv	城市	O						O						Plenoptic Camera
Complex Urban	KAIST-IRAP	2018	Veh	ICRA	城市	O	O	O	O		O							Encoder
KAIST Day/Night	KAIST-RCV	2018	Veh	T-ITS	城市	O		O	O	O	O	O						Thermal Camera
TUM-Visual-Inertial	TUM	2018	Hand	Arxiv	室内, 城市			O					O		O
Multi Vech Event	Upenn	2018	Veh	RA-L	城市	O		O	O		O	O		O
VI Canoe	UIUC	2018	USV	IJRR	地形	O		O	O			O
MPO-Japan	ETH-RPG	2017	UAV / Hand	IJRR	室内	O		O				O		O
Underwater Cave	UDG	2017	AUV	IJRR	水下	O		O				O				O	O	Profiling Sonar
Robot @ Home	MRPT	2017	Mob	IJRR	室内	O	O			O	O		O					Semantic Labels
Zurich Urban MAV	ETH-RPG	2017	UAV	IJRR	城市	O		O	O			O						Streetview images
Chilean Underground	Trimble	2017	Mob	IJRR	地形 (地下)	O					O	O			O			Encoder
SceneNet RGB-D	Imperial	2017	Hand	ICCV	室内	O				O			O
Symphony Lake	Georgia Tech	2017	USV	IJRR	地形 (湖泊)			O	O		O	O						PTZ camera, Longterm
Agricultural robot	Bonn	2017	Mob	IJRR	地形	O			O	O	O	O	O					Multispectral camera
Beach Rover	TEC-MMA	2017	Mob		地形	O		O	O		O	O	O					Encoder
EuRoC	ETH-ASL	2016	UAV	IJRR	室内	O	O	O				O
Cartographer	Google	2016	Hand	ICRA	室内			O			O	O
TUM-Mono	TUM	2016	Hand	Arxiv	室内, 城市										O			Photometric Calibration
Cityscape	Daimler AG	2016	Veh	CVPR	城市	O			O	O		O
Solar-UAV	ETHZ	2016	UAV	CVPR	地形	O	O	O	O		O
CoRBS	DFKI	2016	Hand	WACV	室内	O	O						O
Oxford-robotcar	Oxford	2016	Veh	IJRR	城市	O		O	O		O	O
NCLT	UMich	2016	Mob	IJRR	城市	O		O	O		O							FOG
RPG-event	Kyushu U	2016	Veh	IROS	城市, 地形			O	O		O	O						FARO 3D
CCSAD	CIMAT	2015	Veh	CAIP	城市			O	O			O
TUM-Omni	TUM	2015	Hand	IROS	室内, 城市							O
Augmented ICL-NUIM	Redwood	2015	Hand	CVPR	室内	O	O						O
Cambridge Landmark	Cambridge	2015	Hand	ICCV	城市	O	O					O
ICL-NUIM	Imperial	2014	Hand	ICRA	室内	O	O						O
MRPT-Malaga	MRPT	2014	Veh	AR	城市			O	O		O	O
KITTI	KIT	2013	Veh	IJRR	城市	O		O	O	O	O	O
Canadian Planetary	UToronto	2013	Mob	IJRR	地形	O		O	O		O (sensor)	O
Microsoft 7 scenes	Microsoft	2013	Hand	CVPR	室内	O	O					O
SeqSLAM	QUT	2012	Veh	ICRA	城市					O		O
ETH-challenging	ETH-ASL	2012	Hand	IJRR	城市, 地形			O	O		O

搜集汇总

数据集介绍

构建方式

Awesome SLAM Datasets 是一个专注于同步定位与地图构建（SLAM）领域的数据集集合，涵盖了多种平台和环境下的数据。该数据集的构建基于对现有SLAM相关数据集的筛选与整理，特别选择了那些提供姿态和地图信息的数据集。数据集通过Google Sheets进行管理，并在GitHub和Google Site上提供了详细的分类和访问链接。数据集按主题、特征、平台和环境进行了多维度的分类，确保用户能够快速找到所需的数据资源。

特点

该数据集的特点在于其广泛的覆盖范围和多样化的数据类型。数据集涵盖了从城市规模到室内环境的多种场景，并提供了包括IMU、GPS、激光雷达、摄像头等多种传感器的数据。此外，数据集还特别关注了极端条件下的数据收集，如高速运动、复杂地形和长期多会话的数据采集。这些特点使得该数据集能够支持从基础研究到复杂应用的多种SLAM算法验证与优化。

使用方法

用户可以通过访问GitHub页面或Google Site获取数据集的详细信息和使用方法。数据集按类别进行了分类，用户可以根据研究需求选择相应的数据集。每个数据集都提供了详细的元数据信息，包括采集平台、环境、传感器类型等。用户可以通过提供的链接直接下载数据，并参考相关的文献和工具进行数据分析和算法验证。此外，数据集还提供了评估工具，帮助用户对SLAM算法的轨迹和地图构建效果进行定量评估。

背景与挑战

背景概述

Awesome SLAM Datasets 是一个专注于同步定位与地图构建（SLAM）相关数据集的集合，由多个研究机构和个人共同维护。该数据集集合的创建始于2010年代初期，随着SLAM技术在机器人、自动驾驶和增强现实等领域的广泛应用，逐渐发展成为一个涵盖多种环境和平台的数据集资源库。核心研究问题围绕如何在不同环境下实现高精度的定位与地图构建，数据集涵盖了从城市环境到水下、室内到复杂地形的多种场景。其影响力不仅体现在学术界，还在工业界推动了SLAM算法的标准化与评估。

当前挑战

Awesome SLAM Datasets 面临的挑战主要体现在两个方面。首先，SLAM技术本身在复杂环境下的鲁棒性和精度问题仍然是一个核心挑战，尤其是在动态环境、极端天气或光照条件下，如何保持稳定的定位与地图构建能力。其次，数据集的构建过程中，如何确保数据的多样性和代表性也是一个难题。不同平台（如无人机、车辆、手持设备）和传感器（如激光雷达、摄像头、IMU）的数据融合与标定需要高度的技术协调。此外，数据集的更新与维护也需要持续的资源投入，以应对不断变化的技术需求和应用场景。

常用场景

经典使用场景

Awesome SLAM Datasets 数据集广泛应用于同步定位与地图构建（SLAM）算法的开发与测试。该数据集涵盖了多种环境下的传感器数据，包括城市、室内、地形和水下等场景，为研究人员提供了丰富的实验平台。经典的使用场景包括机器人导航、自动驾驶车辆的定位与地图构建，以及无人机在复杂环境中的状态估计。通过提供多模态传感器数据（如IMU、GPS、LiDAR、RGB-D相机等），该数据集能够支持多种SLAM算法的验证与优化。

衍生相关工作

Awesome SLAM Datasets 衍生了许多经典的研究工作。例如，基于该数据集的KITTI基准测试已成为自动驾驶领域的重要评估标准。此外，EuRoC数据集被广泛用于视觉惯性SLAM算法的开发，推动了VIO（Visual-Inertial Odometry）技术的发展。TUM RGB-D数据集则为室内环境下的SLAM研究提供了重要支持，催生了如ORB-SLAM和LSD-SLAM等经典算法。这些衍生工作不仅提升了SLAM技术的性能，还推动了相关领域的学术进步与工业应用。

数据集最近研究

最新研究方向

近年来，SLAM（同步定位与地图构建）技术在机器人、自动驾驶和增强现实等领域取得了显著进展。Awesome SLAM Datasets作为一个综合性的数据集集合，涵盖了从室内到城市、从地面到水下等多种环境下的SLAM数据。最新的研究方向聚焦于多传感器融合、长期定位与地图更新、以及极端环境下的SLAM算法优化。例如，UZH-FPV Drone Racing数据集通过结合RGB、事件相机和IMU数据，推动了高速状态估计的研究；而Complex Urban数据集则通过引入立体相机图像，为城市环境下的SLAM提供了更丰富的感知信息。此外，ICRA 2019的SLAM算法基准测试研讨会进一步推动了新数据集的发布与算法的评估，为SLAM技术的实际应用奠定了坚实基础。这些研究不仅提升了SLAM系统的鲁棒性和精度，也为未来智能系统的自主导航能力提供了重要支持。