GDTM:具有分布式多模态传感器的室内地理空间跟踪数据集
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
通过使用多个标注源数据集,并结合基于粗标签的标签映射以及跨数据集对象注入的数据增强方法,提高了在不同环境中、由不同传感器配置采集的数据上测试时三维物体检测模型的鲁棒性。
Aug, 2023
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
数字孪生技术在移动增强现实环境中,通过创建精确的物理对象数字副本,对于重塑三维物体追踪和定位场景具有重要潜力。本文基于我们之前的工作《数字孪生追踪数据集》(DTTD),针对移动增强现实环境中的挑战,提出了一种基于转换器的 6 自由度姿态估计器,并引入了使用 iPhone 14 Pro 的创新 RGBD 数据集,通过大量实验和深入分析,证明了我们方法在处理深度数据错误时的有效性,超过现有基线的性能。代码将公开提供。
Sep, 2023
本文提出一种基于 RGB-Height 数据的遥感多模态语义分割新基准数据集,包含大规模数据集,认真评测已有的方法并提出一种新的 Transformer-based 中间多模态融合 (TIMF) 模块来适应令人满意的语义分割性能。
May, 2023
该研究介绍了 CitrusFarm 数据集,这是由一个在农田中操作的轮式移动机器人收集的综合多模态感官数据集。该数据集提供了包含深度信息的立体 RGB 图像,以及单色、近红外和热红外图像,提供农业研究所需的多样光谱响应。此外,它还提供了包括轮式里程计、激光雷达、惯性测量单元(IMU)和具有实时动态差分(RTK)的 GNSS 的导航传感器数据,作为以厘米级精度的定位基准。该数据集包含在三个柑橘树区域收集的七个序列,涵盖了不同生长阶段、独特的种植模式和不同的日光条件的各种树种。它总共运行时间为 1.7 小时,覆盖了 7.5 公里的距离,共计 1.3 TB 的数据。我们预计这个数据集可以促进在农业树木环境中操作的自主机器人系统的发展,特别是用于定位、地图制作和作物监测任务。此外,该数据集提供的丰富感知模式还可以支持一系列机器人学和计算机视觉任务的研究,例如地点识别、场景理解、物体检测和分割以及多模态学习。该数据集与相关工具和资源一起,已在该 https URL 上公开提供。
Sep, 2023
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
介绍了一个基于真实世界测量的混合多模式感知和通信数据的大规模数据集 ——DeepSense 6G 数据集。该数据集旨在推动在多模式感知、通信和定位交叉领域的深度学习研究,并提供了详细的数据集结构、测试床、数据采集和处理方法、部署场景和示例应用的概述,以促进多模式感知和通信数据集的采用和可重复性。
Nov, 2022
该研究介绍了一个多模态数据集,其中包括雷达、相机和激光雷达,以提高自主驾驶汽车的稳健性和长程感知并训练 3D 物体检测模型,并在 GitHub 上提供数据。
Nov, 2022
该研究提出了第一个大规模的多模态数据集,用于研究毫米波车到车通信。数据集包括来自 360 度摄像机、四个雷达、四个 60 GHz 相控阵、一个 3D 激光雷达和两个精确 GPS 的两车试验台的数据。该数据集涵盖了日间和夜间的城际和乡村地区,行驶距离 120 公里,速度高达 100 公里 / 小时。数据集包含了超过一百万个物体的检测结果,从卡车到自行车都有。该研究还提供了详细的数据集统计信息,证明了各种情况的覆盖情况,并强调了该数据集如何支持新颖的机器学习应用。
Jun, 2024