BotanicGarden

BotanicGarden是一个高质量的数据集，用于在非结构化自然环境中进行机器人导航。该数据集包含超过48000平方米的茂密植物园中的33个长短序列和总计17.1公里的轨迹，涵盖了在先前资源中稀缺的密集和多样化的自然元素。数据集使用了包括高分辨率和高帧率的灰度和RGB立体相机、旋转和MEMS 3D LiDARs以及低成本和工业级IMU在内的全面传感器，支持广泛的应用。通过精心开发的系统，实现了高精度的硬件同步。数据集还提供了高精度的3D地图和轨迹地面实况，以及密集的视觉语义。BotanicGarden is a high-quality dataset designed for robotic navigation in unstructured natural environments. It comprises 33 sequences of varying lengths, totaling 17.1 kilometers of trajectories across a dense botanical garden spanning over 48,000 square meters. This dataset captures dense and diverse natural elements that are scarce in previous resources. It utilizes a comprehensive suite of sensors, including high-resolution and high-frame-rate grayscale and RGB stereo cameras, rotational and MEMS 3D LiDARs, as well as low-cost and industrial-grade IMUs, supporting a wide range of applications. High-precision hardware synchronization is achieved through a meticulously developed system. The dataset also provides high-accuracy 3D maps and trajectory ground truths, along with dense visual semantics.

原始信息汇总

BotanicGarden Dataset 概述

数据集简介

• 名称: BotanicGarden Dataset
• 目的: 用于机器人无结构自然环境中的导航研究
• 环境: 超过48000平方米的茂密植物园
• 特点: 包含33个长短序列，总轨迹长度17.1公里，涵盖多种自然元素，如厚树林、河岸、狭窄小径、桥梁和草地

传感器配置

• 设备/型号/规格:
  • Gray Stereo: DALSA M1930, 1920*1200, 2/3", 71°×56°FoV, 40Hz
  • RGB Stereo: DALSA C1930, 1920*1200, 2/3", 71°×56°FoV, 40Hz
  • LiDAR: Velodyne VLP16, 16C, 360°×30°FoV, ±3cm@100m, 10Hz
  • MEMS LiDAR: Livox AVIA, 70°×77°FoV, ±2cm@200m, 10Hz
  • D-GNSS/INS: Xsens Mti-680G, 9-axis, 400Hz, GNSS not in use
  • Consumer IMU: BMI088, 6-axis, 200Hz, Livox built-in
  • Wheel Encoder: Scout V1.0, 4WD, 3-axis, 200Hz
  • GT 3D Scanner: Leica RTC360, 130m range, 1mm+10ppm accuracy

时间同步

• 同步方法: 基于自设计的硬件触发&定时板和PTP网络
• 精度: 硬件同步，达到亚微秒级精度

地面实况地图

• 地图精度: 通过战术级固定3D激光扫描仪和专业测绘工作，达到11mm标准差精度
• 扫描范围: 130米
• 扫描精度: 毫米级

数据序列

• 总数: 33个数据序列
• 包含: LiDAR扫描、轨迹长度、持续时间、图像和交互信息
• 示例序列: 1005-00, 1005-01, 1005-07等

传感器数据

• ROS主题/消息类型/描述:
  • /dalsa_rgb/left/image_raw: sensor_msgs/Image (左RGB相机)
  • /dalsa_rgb/right/image_raw: sensor_msgs/Image (右RGB相机)
  • /dalsa_gray/left/image_raw: sensor_msgs/Image (左灰度相机)
  • /dalsa_gray/right/image_raw: sensor_msgs/Image (右灰度相机)
  • /velodyne_points: sensor_msgs/PointCloud2 (Velodyne VLP16 LiDAR)
  • /livox/lidar: livox_ros_driver/CustomMsg (Livox AVIA LiDAR)
  • /imu/data: sensor_msgs/Imu (Xsens IMU)
  • /livox/imu: sensor_msgs/Imu (Livox BMI088 IMU)
  • /gt_poses: geometry_msgs/PoseStamped (地面实况位姿)

地面实况轨迹

• 生成方式: 在调查级3D地图内生成
• 精度: 厘米级精度
• 位置: GT_traj 文件夹

语义密集标注

• 格式: LabelMe
• 目的: 支持未来重现，促进稳健运动估计和语义映射
• 示例序列: 1005-05, 1005-07, 1006-01等
• 标注图像数量: 233, 206, 270等

工具箱

• Rosbag转换: 提供工具转换不同结构的数据
• 语义转换: 提供工具转换LabelMe到PASCAL VOC和MS COCO格式
• 校准工具: 提供基于2D棋盘格的相机-LiDAR校准工具

搜集汇总

数据集介绍

构建方式

BotanicGarden数据集的构建基于一个面积超过48000平方米的植物园，通过使用多种高精度传感器，包括灰度和RGB立体相机、旋转和MEMS 3D LiDAR、低成本和工业级IMU，以及全地形轮式机器人进行数据采集。数据集涵盖了多种复杂自然环境，如茂密的树林、河岸、狭窄的小径、桥梁和草地，形成了33个短序列和长序列，总轨迹长度达到17.1公里。通过精心设计的硬件触发和时间同步系统，确保了传感器数据的高精度同步，同时通过专业的测绘工作提供了高精度的3D地图和轨迹真值。

使用方法

BotanicGarden数据集可以通过下载ROSbag文件和原始数据文件进行使用。数据集提供了多种传感器数据，包括灰度和RGB立体相机图像、LiDAR点云、IMU数据和真值轨迹。用户可以通过提供的工具箱进行数据转换和校准，以便于在不同应用场景中使用。数据集还提供了多种状态评估工具和配置文件，方便用户对现有算法进行测试和评估。此外，数据集的语义标注数据支持LabelMe格式，并提供了转换工具，便于用户进行进一步的语义分析和应用。

背景与挑战

背景概述

BotanicGarden数据集是由Yuanzhi Liu、Yujia Fu、Minghui Qin等研究人员于近年创建的，旨在推动机器人导航技术在非结构化自然环境中的应用。该数据集构建于一个面积超过48000平方米的植物园中，涵盖了丰富的自然元素，如茂密的树林、河岸、狭窄的小径、桥梁和草地等。通过使用高分辨率立体灰度与RGB相机、旋转与MEMS 3D LiDAR、低成本与工业级IMU等多种传感器，数据集提供了精确的硬件同步和高质量的传感器数据。此外，数据集还提供了高精度的自运动和3D地图地面真值，以及精细的视觉语义标注，为机器人导航和传感器融合研究提供了宝贵的资源。

当前挑战

BotanicGarden数据集面临的挑战主要集中在非结构化自然环境中的机器人导航问题。首先，在GNSS信号缺失、纹理单调且植被密集的环境中，现有导航技术的性能难以维持在高水平，需要进一步验证和改进。其次，数据集的构建过程中，传感器的高精度硬件同步、多传感器融合以及3D地图的精确生成都是技术上的难点。此外，数据集的规模和复杂性也为算法评估和性能优化带来了挑战。通过提供高质量的参考数据，BotanicGarden数据集旨在推动机器人导航技术在复杂自然环境中的进一步发展。

常用场景

经典使用场景

BotanicGarden数据集在机器人导航领域中具有广泛的应用前景，尤其是在非结构化自然环境中的导航任务。该数据集通过在面积超过48000平方米的植物园中采集数据，涵盖了多种复杂地形，如茂密的树林、河岸、狭窄的小径、桥梁和草地。这些场景为机器人导航算法提供了丰富的测试环境，尤其是在全球导航卫星系统（GNSS）不可用、纹理单调且植被密集的区域。通过使用高分辨率立体灰度与RGB相机、旋转与MEMS 3D激光雷达以及低成本与工业级IMU等多种传感器，该数据集为机器人导航与传感器融合研究提供了高质量的数据支持。

解决学术问题

BotanicGarden数据集解决了机器人导航领域中在非结构化自然环境下的性能验证问题。传统的导航技术在结构化场景中表现优异，但在GNSS信号缺失、纹理单调且植被密集的环境中，其性能往往大幅下降。该数据集通过提供高精度的自运动与3D地图地面真实数据，以及精细标注的视觉语义信息，为研究人员提供了一个理想的测试平台，推动了机器人导航与传感器融合技术的发展。这不仅有助于提升现有算法的鲁棒性，还为未来的研究提供了宝贵的数据资源。

实际应用

BotanicGarden数据集在实际应用中具有广泛的潜力，尤其是在农业、林业、环境监测和灾害救援等领域。例如，在农业中，机器人可以通过该数据集训练的导航算法在复杂的农田环境中自主作业，提高生产效率。在林业中，机器人可以利用该数据集进行森林资源调查与监测，减少人工成本。此外，在灾害救援中，机器人可以在植被密集的灾区进行搜救任务，提升救援效率。通过提供高质量的多传感器数据，该数据集为这些实际应用场景提供了强有力的技术支持。

数据集最近研究

最新研究方向

在机器人导航领域，BotanicGarden数据集的最新研究方向主要集中在复杂自然环境中的多传感器融合与高精度定位。该数据集通过在48000平方米的植物园中采集大量多模态传感器数据，包括高分辨率灰度与RGB立体相机、旋转与MEMS 3D LiDAR、低成本与工业级IMU等，为研究者提供了丰富的实验资源。前沿研究聚焦于如何在GNSS信号缺失、纹理单调及植被密集的复杂场景中实现高精度导航与地图构建。此外，数据集还提供了高精度的3D地图与轨迹真值，以及精细的视觉语义标注，推动了机器人导航与传感器融合技术的进一步发展。