FROG

FROG数据集是一个专为2D激光雷达人体检测设计的大型数据集，由西班牙塞维利亚的Universidad Pablo de Olavide的服务机器人实验室创建。该数据集包含超过40万条激光扫描记录，每条记录均进行了100%的标注，相较于现有数据集如DROW，提供了更高的激光分辨率和扫描频率。数据集的场景设置在塞维利亚的皇家阿尔卡萨尔，一个每年接待超过150万游客的历史遗址，因此数据集涵盖了室内外多种复杂环境，包括人群密集区域和各种挑战性特征。FROG数据集不仅用于评估和比较2D激光雷达人体检测器，还支持深度学习模型的训练和测试，旨在解决机器人导航中的人体检测问题，提高机器人在复杂环境中的感知能力和交互性能。The FROG dataset is a large-scale dataset specifically designed for 2D LiDAR-based human detection, created by the Service Robotics Laboratory at Universidad Pablo de Olavide in Seville, Spain. This dataset contains over 400,000 laser scan records, with each record being 100% annotated. Compared to existing datasets such as DROW, it provides higher laser resolution and scanning frequency. The dataset was collected at the Real Alcázar of Seville, a historic site that receives more than 1.5 million visitors annually. Consequently, it covers a wide range of complex indoor and outdoor environments, including densely crowded areas and various challenging features. The FROG dataset not only can be used to evaluate and compare 2D LiDAR-based human detectors, but also supports the training and testing of deep learning models. It aims to solve the problem of human detection in robotic navigation and improve the perceptual capabilities and interactive performance of robots in complex environments.

搜集汇总

数据集介绍

构建方式

在移动机器人感知领域，二维激光雷达因其宽广的视野和精确的深度分辨率，成为人检测任务中一种被低估的硬件资源。FROG数据集的构建依托于Friendly Robot Outdoor Guide项目，在西班牙塞维利亚王宫这一人流量密集的复杂场景中采集数据。数据采集使用配备前置二维激光雷达的移动机器人平台，传感器安装高度约为膝盖位置，以模拟典型机器人配置。通过半自动标注工具，对每一帧激光扫描数据进行了100%的完整标注，该工具支持跨时间帧的标注点跟踪，显著提升了标注效率与一致性。最终数据集以HDF5格式发布，包含激光扫描向量、时间戳、人员标注圆环信息及数据集划分索引，确保了数据组织的高效性与易用性。

特点

FROG数据集在二维激光雷达人检测领域展现出显著优势。相较于现有的DROW数据集，FROG在数据规模与质量上实现了全面超越，其标注扫描数量增加了17倍，人员标注数量提升了100倍，且机器人行进距离超过两倍。数据集采集自真实的室内外混合公共场所，涵盖了拥挤场景、复杂几何结构（如立柱、灌木、斜坡）等多种挑战性环境，提供了丰富的场景多样性。此外，数据集采用的激光传感器具有更高的分辨率（0.25°）与扫描频率（40 Hz），并遵循机器人学标准坐标系，为模型训练与评估提供了高保真、大规模且标注完备的数据基础。

使用方法

FROG数据集旨在为二维激光雷达人检测算法提供训练与基准测试平台。研究人员可通过其提供的HDF5文件直接加载激光扫描数据与对应的人员标注，标注信息以圆环形式给出人员中心位置与半径。数据集已预设训练、验证与测试划分，便于进行监督学习模型的开发与评估。同时，论文配套发布了基准测试代码库，集成了精确率-召回率曲线、平均精度、峰值F1分数等标准化评估指标，支持对各类检测器进行公平比较。该数据集尤其适用于开发端到端的深度学习模型，能够直接处理原始一维距离向量，避免了复杂的手工特征预处理，推动高效、实时人检测算法在机器人平台上的部署与应用。

背景与挑战

背景概述

在移动机器人日益融入日常生活的背景下，实现机器人与人类的安全共存成为关键研究议题。人类感知作为实现这一目标的首要步骤，要求机器人能够准确识别周围环境中的行人。尽管基于视觉的检测算法已取得显著进展，但摄像头在视野范围和深度感知上存在局限。相比之下，大多数地面机器人配备的二维激光雷达因其成本低廉、覆盖范围广和测距精准等优势，逐渐成为行人检测的重要传感器。然而，该领域长期缺乏专门针对膝高二维激光雷达的行人检测数据集。为此，西班牙巴勃罗·德奥拉维德大学服务机器人实验室的研究团队于2023年发布了FROG数据集。该数据集在塞维利亚王宫这一复杂且人流量巨大的场景中采集，涵盖了丰富的室内外环境，提供了完全标注的激光扫描数据，其扫描分辨率、频率和标注完整性均显著超越现有数据集如DROW，为二维激光雷达行人检测研究提供了重要的数据基础。

当前挑战

FROG数据集致力于解决移动机器人使用膝高二维激光雷达进行行人检测这一核心问题。该领域面临的主要挑战在于，从稀疏的一维距离数据中提取有效特征以区分行人与静态或动态障碍物，其难度远高于信息丰富的图像数据。此外，构建高质量数据集本身亦存在诸多挑战：首先，数据标注工作量巨大，早期数据集如DROW仅标注了5%的扫描数据，严重限制了监督学习的有效性；其次，需要在真实、复杂且拥挤的场景中采集数据，以覆盖行人检测的各种挑战性情况，如密集人群、复杂几何结构（如立柱、灌木丛）以及室内外光照变化等；最后，确保标注的准确性与一致性，并设计高效的数据格式与工具链以支持后续研究，同样是数据集构建过程中的关键难题。

常用场景

经典使用场景

在移动机器人感知领域，FROG数据集为基于膝高二维激光雷达的行人检测研究提供了标准化的评估基准。该数据集采集自西班牙塞维利亚王宫这一高人流密度的复杂环境，涵盖室内外多种场景，其全标注特性与高分辨率激光扫描数据使其成为验证行人检测算法性能的理想平台。研究者可借助该数据集训练端到端深度学习模型，评估检测精度与实时性，推动机器人环境感知技术的发展。

衍生相关工作

FROG数据集的发布催生了一系列创新研究，如基于该数据集训练的LFE-PPN等端到端检测架构。这些工作突破了传统切割窗口预处理模式，直接从原始激光数据中学习行人特征。同时，数据集被集成至DR-SPAAM等先进检测器的评估框架，推动时序融合与自监督学习方法的演进。相关研究还衍生出高效ROS部署方案，实现了超过500Hz的实时推理性能，为嵌入式机器人系统提供了实用化解决方案。

数据集最近研究

最新研究方向

在移动机器人领域，二维激光雷达因其成本效益和广泛部署，成为人机交互中人类感知的关键传感器。FROG数据集的推出，以其全标注、高分辨率和丰富场景覆盖，显著推动了基于膝高二维激光雷达的人员检测研究。前沿方向聚焦于端到端深度学习模型的优化，旨在消除传统手工特征预处理步骤，提升实时检测效率。热点事件包括与DROW等现有数据集的对比分析，以及DR-SPAAM等时空融合方法的性能评估。该数据集通过提供标准化基准测试，促进了算法在复杂室内外环境中的鲁棒性验证，对降低机器人系统成本、增强社会导航能力具有深远意义。

相关研究论文

• FROG: A new people detection dataset for knee-high 2D range finders

  服务机器人实验室 · 2023年