Mar, 2020

TartanAir：推进视觉 SLAM 极限的数据集

PDF
TL;DR本文介绍使用 TartanAir 数据集进行机器人导航与多种传感器数据采集的相关实验，旨在使用基于大规模数据训练的学习方法，推动 Visual SLAM 算法在真实环境中的应用，并为其提供一种更具挑战性的新基准测试方法。
tartanairrobot navigationmulti-modal sensor datasimulationvisual slam algorithms
发现论文，激发创造
  • TartanVO：基于学习的通用 VO

    本研究提出了首个基于学习的视觉里程计模型，利用 TartanAir SLAM 数据集中提供的大量多样化的合成数据，采用尺度损失函数和相机内参将模型泛化到多个数据集和真实世界场景中，无需微调即可应用于 KITTI 和 EuRoC 数据集，并在具有挑战性的轨迹上显著优于基于几何的方法。

    Oct, 2020

  • TartanAviation：终端空域操作的图像、语音和 ADS-B 轨迹数据集

    TartanAviation 是一个开源的多模态数据集，集中在终端区域空域操作上，提供了图片、语音和 ADS-B 轨迹数据，可用于在空中交通管制系统中集成人工智能和机器学习技术以及推进自主飞行器的采用。

    Mar, 2024

  • 从被高浓度杂质颗粒污染的地下恶劣环境中获取的多模态数据集，用于前沿探索

    本文介绍一种多模式数据集，可用于验证在无法使用全球导航卫星系统（GNSS）的环境中自主导航的算法性能。数据集内容包括船上各种传感器的测量值，其中需要注重船舶 LiDAR 测距仪度测量数据的有效性，并介绍各种传感器系统的详细特性。

    Apr, 2023

  • InteriorNet: 大规模多传感器照片真实室内场景数据集

    本研究提供了一份可扩展性强、真实感更强、规模更大、变异性更强、且在训练和评估深度学习方法、基准测试同时定位和映射（SLAM）方面有更广泛用途的数据集，以支持计算机视觉领域的研究。我们使用数百万个专业室内设计和制作级家具资产进行高分辨率和高帧率视频序列渲染，并支持各种摄像头类型以及惯性测量。同时，我们展示了稀疏和密集 SLAM 算法的基准测试结果。

    Sep, 2018

  • NTU4DRadLM：4D 雷达中心化多模态数据集用于定位和建图

    在这篇论文中，我们介绍了一个新的数据集，NTU4DRadLM，它同时包含了 6 种传感器：4D 雷达、热像仪、IMU、3D 激光雷达、视觉相机和实时定位 RTK GPS，具体设计用于 SLAM 任务，并提供了经过精调的真实轨迹和故意设计的闭环，以综合评估三种类型的 SLAM 算法。

    Sep, 2023

  • DIDLM：具有红外摄像头、深度摄像头、LiDAR 和 4D 毫米波雷达的全面多传感器数据集，用于 3D 地图在具有挑战性的场景中

    该研究提供了一个综合多传感器数据集，旨在挑战性室内外环境中进行 3D 地图制作。数据集包括红外相机、深度相机、LiDAR 和 4D 毫米波雷达的数据，提供了探索先进感知和制图技术的可能性。多种传感器数据的整合增强了在极端条件下（如雨、雪和不平整的道路表面）的感知能力。数据集还包括室内外以不同速度运行的交互式机器人数据，提供了逼真的背景环境。通过类似路线的 SLAM 比较，分析了不同复杂场景对各个传感器的影响。采用各种 SLAM 算法处理数据集，揭示了不同场景中算法性能的差异。总之，该数据集解决了特殊环境中数据稀缺的问题，促进了在极端条件下感知和制图算法的发展。利用包括红外、深度相机、LiDAR、4D 毫米波雷达和机器人交互的多传感器数据，该数据集推动了智能制图和感知能力的进步。我们的数据集可在此链接获取：https://example.com/dataset

    Apr, 2024

  • VBR：罗马视觉基准测试

    本文介绍了一份在罗马收集的视觉和感知研究数据集，包括 RGB 数据、3D 点云、IMU 和 GPS 数据，并引入了一个新的基准用于视觉里程计和 SLAM，以推进自主机器人和计算机视觉的研究。

    Apr, 2024

  • 拥挤室内环境的大规模定位数据集

    使用新型的激光雷达 SLAM 技术和结构运动优化方法在大型商场和地铁站获取室内数据集以便于在室内环境中进行视觉定位，并测试现代化的视觉定位算法，证明结构基方法使用健壮的图像特征具有更高的性能。

    May, 2021

  • TWICE 数据集：受控环境中的测试场景数字孪生

    确保自动驾驶汽车在恶劣天气下的安全可靠运行仍然是一个重大挑战，为此我们开发了一个全面的数据集，其中包括在真实测试场地和实验室中进行相同测试场景的传感器数据。该数据集包括在恶劣的天气条件下（雨天、夜间和雪天）记录的摄像头、雷达、激光雷达、惯性测量单元（IMU）和 GPS 数据。该数据集是一个宝贵的资源，为自动驾驶车辆领域的研究人员提供了在恶劣天气条件下测试和改进算法以及探索仿真与现实之间差距的机会。

    Oct, 2023

  • 多智能体多遍历多模态自动驾驶：开放 MARS 数据集

    通过与自动驾驶公司 May Mobility 的合作，我们提出了 MARS 数据集，它统合了多智能体、多次遍历和多模态自动驾驶研究场景，能够促进自动驾驶车辆的感知、预测和规划能力的转变。

    Jun, 2024