UTIAS In the Dark and UTIAS Multiseason datasets

该数据集包含多个路径运行的数据，每个运行数据存储在自己的文件夹中。数据集由多个教学和重复运行组成，其中教学运行的关键帧与后续教学运行关键帧相连，每个重复关键帧与教学关键帧相连。每个关键帧之间的连接都有一个相关的相对变换。

This dataset encompasses data collected across multiple trajectory runs, where each individual run's data is stored in its own dedicated folder. The dataset consists of multiple demonstration runs and repeated runs. Specifically, the keyframes of each demonstration run are connected to those of subsequent demonstration runs, while each repeated keyframe is linked to its corresponding demonstration keyframe. Each connection between any two keyframes is associated with a relative transformation.

原始信息汇总

VT&R Dataset Tools

数据集概述

该仓库包含用于处理UTIAS In the Dark和UTIAS Multiseason数据集的Python类和函数。数据集由多个路径运行的数据组成，每个运行的数据存储在其各自的文件夹中。姿态图由Teach和Repeat运行的关键帧顶点组成，Teach运行的顶点与后续Teach运行顶点相连，每个Repeat顶点与一个Teach顶点相连。每个顶点之间的连接具有相关的相对变换。

数据结构

• 顶点标识：顶点ID由(run_id, pose_id)组成，第一个数字表示运行编号，第二个数字表示运行中的姿态编号。
• 姿态图：顶点用点表示，变换用箭头表示。Teach运行的顶点与后续Teach运行顶点相连，Repeat顶点与Teach顶点相连。

示例

• 数据准备：下载Teach运行文件夹和所需的Repeat运行文件夹，修改example.py中的data_folder路径为包含run_000xxx文件夹的顶级目录。
• 运行示例：运行example.py脚本，展示关键方法的使用示例。
• 变换积分：integrate_transforms.py脚本示例展示了如何在姿态图中遍历多个Repeat运行的顶点，提取连续顶点之间的相对变换，积分姿态并在2D平面上绘制结果路径。
• GPS数据：read_gps.py脚本示例展示了如何遍历多个运行的顶点，提取GPS数据并绘制纬度与经度。

关键工具

• 拓扑距离：get_topological_dist(self, vertex_id1, vertex_id2) 返回两个顶点之间的边数。
• 变换矩阵：get_transform(self, vertex_id1, vertex_id2) 返回4x4变换矩阵T₂₁。
• 拓扑邻居：get_topo_neighbours(self, vertex_id, radius) 返回在radius边数内的顶点ID列表。
• 度量邻居：get_metric_neighbours(self, vertex_id, radius) 返回在radius米数内的顶点ID列表。
• 子图：get_subgraph(self, start, end) 返回包含start和end之间Teach顶点及其本地化Repeat顶点的图。

搜集汇总

数据集介绍

构建方式

UTIAS In the Dark和UTIAS Multiseason数据集的构建基于多次路径运行的实验数据。每个运行的数据被存储在其独立的文件夹中，并通过姿态图（pose graph）进行组织。姿态图由关键帧的顶点构成，其中教学路径（Teach run）的顶点与后续教学路径顶点相连，而重复路径（Repeat run）的顶点则与教学路径顶点相连。每个顶点之间的连接都包含一个相对变换矩阵，用于描述顶点之间的空间关系。这种构建方式使得数据集能够有效捕捉不同路径运行之间的空间和时间关联。

特点

该数据集的特点在于其多季节和低光照条件下的数据采集，涵盖了不同环境条件下的路径运行信息。数据集通过姿态图的形式组织数据，能够提供丰富的空间变换信息，支持复杂的路径分析和定位任务。每个顶点通过唯一的ID标识，便于在算法中进行高效查询和操作。此外，数据集还提供了GPS数据，进一步增强了其在定位和导航任务中的应用潜力。

使用方法

使用该数据集时，首先需下载教学路径文件夹及所需的重复路径文件夹。通过修改示例脚本中的`data_folder`路径，指向包含运行文件夹的顶级目录。示例脚本展示了如何使用工具中的关键方法，如提取顶点间的相对变换矩阵、计算拓扑距离以及获取指定半径内的邻近顶点。此外，数据集还提供了集成变换和读取GPS数据的示例脚本，支持用户进行路径集成和地理坐标的可视化分析。

背景与挑战

背景概述

UTIAS In the Dark和UTIAS Multiseason数据集由多伦多大学航空航天研究所（UTIAS）于2020年发布，旨在支持视觉地形识别与导航（VT&R）领域的研究。该数据集通过多次路径运行的实验数据，构建了一个包含关键帧的位姿图，用于研究机器人在不同光照和季节条件下的自主导航能力。数据集的核心研究问题在于如何通过视觉和传感器数据实现机器人在复杂环境中的精确定位与路径重复。该数据集为机器人导航、环境感知以及长期自主系统等领域的研究提供了重要的数据支持，推动了相关技术的发展。

当前挑战

UTIAS In the Dark和UTIAS Multiseason数据集在解决机器人自主导航问题时面临多重挑战。首先，数据集需要处理不同光照和季节条件下的环境变化，这对视觉传感器的鲁棒性提出了极高要求。其次，构建位姿图时需精确对齐多次运行的路径数据，这对数据采集和处理的精度提出了挑战。此外，数据集在构建过程中还需解决传感器噪声、数据同步以及大规模数据处理等问题，这些技术难题直接影响数据集的质量和应用效果。

常用场景

经典使用场景

UTIAS In the Dark和UTIAS Multiseason数据集在机器人定位与导航领域具有重要应用。这些数据集通过记录不同季节和光照条件下的路径运行数据，为研究者在复杂环境下的机器人自主导航提供了丰富的实验素材。经典使用场景包括基于视觉的路径重识别、多季节环境下的定位算法验证，以及在不同光照条件下的机器人导航性能评估。

实际应用

在实际应用中，UTIAS数据集被广泛用于自动驾驶车辆和无人机的导航系统开发。通过分析不同季节和光照条件下的路径数据，开发者能够优化传感器融合算法，提升车辆或无人机在复杂环境中的定位精度。此外，该数据集还被用于农业机器人、仓储机器人等领域的路径规划和环境感知研究，推动相关技术的实际落地。

衍生相关工作

基于UTIAS数据集，研究者们衍生出多项经典工作。例如，一些研究利用该数据集开发了基于视觉的路径重识别算法，显著提升了机器人在动态环境中的定位能力。另一些研究则专注于多季节环境下的定位算法优化，提出了基于深度学习的鲁棒定位方法。此外，该数据集还催生了一系列关于传感器融合和路径规划的研究，推动了机器人导航技术的进一步发展。