有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
SUG-UAV Multirotor Dataset with Multi-sensor Integration in Indoor and Urban Areas|无人机数据集|多传感器集成数据集
收藏github2024-08-30 更新2024-08-31 收录
下载链接：
https://github.com/Printeger/SUG-UAV-Multirotor-Dataset-IPIN2024
下载链接
链接失效反馈资源简介：
该无人机数据集旨在支持无人机研究，如高精度定位和动态校准。数据集分为两类，分别适用于不同的研究需求。第一类数据集包含室内运动捕捉室收集的视觉、惯性和电机编码器信息，提供由运动捕捉生成的准确地面真实数据，适用于研究无人机动力学模型。另一类数据集在多种复杂户外场景中收集，使用多传感器融合定位算法生成高精度地面真实轨迹，适用于无人机定位和复杂环境中的场景重建研究。总共提供了9个序列的数据集，每个序列的原始测量时间戳都经过良好同步和精确校准。
创建时间：
2024-08-28
原始信息汇总
SUG-UAV-Multirotor-Dataset-IPIN2024
简介
SUG-UAV Multirotor Dataset with Multi-sensor Integration in Indoor and Urban Areas
该无人机数据集旨在支持无人机研究，如高精度定位和动态校准。数据集分为两类，每部分针对不同的研究需求。第一类数据集包含在室内运动捕捉室收集的视觉、惯性和电机编码器信息。该数据集提供了由运动捕捉生成的准确地面真实数据，适用于研究无人机动力学模型。另一类数据在多种复杂户外场景中收集，使用多传感器融合定位算法生成高精度地面真实轨迹，可用于研究无人机在复杂环境中的定位和场景重建。总共提供了9个序列的数据集。特别地，每个序列中的原始测量时间戳已经过良好同步和精确校准。
无人机设置
<p align="center"> <img src="https://github.com/Printeger/SUG-UAV-Multirotor-Dataset-IPIN2024/blob/main/img/set1.png" height="300" /><img src="https://github.com/Printeger/SUG-UAV-Multirotor-Dataset-IPIN2024/blob/main/img/set2.png" height="300" /> </p>
数据收集环境
数据集在以下场景中收集： <p align="center"> <img src="https://github.com/Printeger/SUG-UAV-Multirotor-Dataset-IPIN2024/blob/main/img/scene.png" width="800" /> <figcaption>左：Polyu的运动捕捉室，中：香港科学园的环形交叉路口，右：PolyU的Hotel Icon的宴会厅</figcaption> </p>
数据集类别预览
| 类别 | 序列号 | 传感器 | 轨迹形状 | 长度/持续时间 | 地面真实数据 |
|---|---|---|---|---|---|
| 动态序列 | Seq 1 | 相机/IMU/电机编码器 | 圆形 | 30.432米/27.050秒 | 运动捕捉 |
| 动态序列 | Seq 2 | 相机/IMU/电机编码器 | 垂直椭圆形 | 18.568米/43.351秒 | 运动捕捉 |
| 动态序列 | Seq 3 | 相机/IMU/电机编码器 | 鞍形 | 60.606米/59.366秒 | 运动捕捉 |
| 动态序列 | Seq 4 | 相机/IMU/电机编码器 | 无限形 | 57.479米/110.784秒 | 运动捕捉 |
| 动态序列 | Seq 5 | 相机/IMU/电机编码器 | 方形 | 45.070米/62.000秒 | 运动捕捉 |
| 动态序列 | Seq 6 | 相机/IMU/电机编码器 | 自由形 | 71.004米/241.960秒 | 运动捕捉 |
| LiDAR序列 | Seq 7 | LiDAR/IMU/UWB/GNSS | 圆形 | 139.424米/136.903秒 | LIO |
| LiDAR序列 | Seq 8 | LiDAR/IMU/UWB/GNSS | 自由形 | 340.570米/452.999秒 | GLIO |
| LiDAR序列 | Seq 9 | LiDATR/IMU | 方形 | 76.317米/341.300秒 | LIO |
AI搜集汇总
数据集介绍
构建方式
该数据集的构建旨在支持无人机研究，特别是高精度定位和动态校准。数据集分为两类：室内运动捕捉室和复杂户外场景。室内部分通过视觉、惯性和电机编码器信息收集，利用运动捕捉系统生成精确的地面真实轨迹，适用于无人机动力学模型的研究。户外部分则在多样化的复杂环境中收集，采用多传感器融合定位算法生成高精度轨迹，适用于无人机定位和复杂环境中的场景重建研究。所有序列的原始测量时间戳均经过精确同步和校准。
特点
该数据集的显著特点在于其多传感器集成和场景多样性。室内部分提供由运动捕捉系统生成的精确地面真实轨迹，确保数据的高精度。户外部分则通过多传感器融合算法生成高精度轨迹，适应复杂环境的研究需求。此外，数据集中的时间戳同步和校准确保了数据的一致性和可靠性，为研究者提供了高质量的实验数据。
使用方法
使用该数据集时，研究者可以根据研究需求选择室内或户外数据序列。室内数据适用于无人机动力学模型和传感器校准研究，而户外数据则适用于复杂环境中的定位和场景重建。数据集提供了详细的传感器信息和轨迹形状，便于研究者进行数据分析和模型验证。通过访问提供的链接，研究者可以下载所需的数据序列，并利用同步和校准的时间戳进行进一步的实验和研究。
背景与挑战
背景概述
在无人机（UAV）技术迅速发展的背景下，SUG-UAV Multirotor Dataset with Multi-sensor Integration in Indoor and Urban Areas数据集应运而生，旨在支持高精度定位和动态校准等研究。该数据集由PolyU等机构的主要研究人员创建，分为室内和城市环境两类，分别收集了视觉、惯性、电机编码器和激光雷达等多传感器信息。室内部分利用动作捕捉系统生成精确的地面真实轨迹，适用于无人机动力学模型的研究；而城市部分则通过多传感器融合定位算法生成高精度轨迹，用于复杂环境下的定位和场景重建研究。该数据集的发布对无人机领域的研究具有重要推动作用。
当前挑战
该数据集在构建过程中面临多项挑战。首先，室内环境的动作捕捉系统需要高精度的同步和校准，以确保数据的准确性。其次，城市环境中的多传感器融合定位算法需处理复杂的环境变化和信号干扰，确保生成的高精度轨迹的可靠性。此外，数据集的多样性和复杂性要求研究人员在数据处理和分析过程中具备高度的专业知识和技能。这些挑战不仅考验了数据集构建的技术水平，也对其在实际应用中的效能提出了高要求。
常用场景
经典使用场景
在无人机研究领域，SUG-UAV Multirotor Dataset with Multi-sensor Integration in Indoor and Urban Areas 数据集的经典使用场景主要集中在高精度定位和动态校准方面。该数据集通过室内和城市复杂环境中的多传感器融合，提供了精确的轨迹数据，适用于研究无人机在不同环境下的定位精度和动态行为。例如，研究人员可以利用该数据集验证和优化多传感器融合算法，以提高无人机在复杂环境中的导航和定位能力。
实际应用
在实际应用中，SUG-UAV Multirotor Dataset with Multi-sensor Integration in Indoor and Urban Areas 数据集为无人机在室内和城市环境中的导航和定位提供了重要的支持。例如，在物流配送、建筑监测和紧急救援等领域，无人机需要具备高精度的定位能力。该数据集的实际应用场景包括但不限于无人机路径规划、环境感知和避障系统的开发，从而提升无人机在复杂环境中的操作效率和安全性。
衍生相关工作
基于SUG-UAV Multirotor Dataset with Multi-sensor Integration in Indoor and Urban Areas 数据集，衍生了一系列相关的经典工作。例如，研究人员利用该数据集开发了新的多传感器融合算法，显著提高了无人机在复杂环境中的定位精度。此外，该数据集还促进了无人机动力学模型的优化研究，推动了无人机在不同应用场景中的性能提升。这些衍生工作不仅丰富了无人机研究的理论基础，也为实际应用提供了强有力的技术支持。
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
中国区域地面气象要素驱动数据集 v2.0（1951-2024）
中国区域地面气象要素驱动数据集（China Meteorological Forcing Data，以下简称 CMFD）是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素，时间分辨率为 3 小时，水平空间分辨率为 0.1°，时间长度为 74 年（1951~2024 年），覆盖了 70°E~140°E，15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据，并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品，其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展，其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本，而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集，但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外，在制作 CMFD 2.0 的过程中，研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息，显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时，CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 74 年，并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同，但其有效数据扩展到了中国之外，能够更好地支持跨境区域研究。为方便用户使用，CMFD 2.0 还在基础变量集之外提供了若干衍生变量，包括近地面相对湿度、雨雪分离降水产品等。此外，CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术，转而直接将实型数据压缩存储于 NetCDF4 格式文件中，从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7，但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变，故将其版本号重新定义为 2.0。
国家青藏高原科学数据中心 收录
EdNet
displayName: EdNet license: - CC BY-NC 4.0 paperUrl: https://arxiv.org/pdf/1912.03072v3.pdf publishDate: "2019" publishUrl: https://github.com/riiid/ednet publisher: - University of Michigan - Yale University - University of California, Berkeley - Riiid AI Research tags: - Student Activities taskTypes: - Knowledge Tracing --- # 数据集介绍 ## 简介 圣诞老人收集的各种学生活动的大规模分层数据集，一个配备人工智能辅导系统的多平台自学解决方案。 EdNet 包含 2 年多来收集的 784,309 名学生的 131,441,538 次互动，这是迄今为止向公众发布的 ITS 数据集中最大的。资料来源：EdNet：教育中的大规模分层数据集 ## 引文 ``` @inproceedings{choi2020ednet, title={Ednet: A large-scale hierarchical dataset in education}, author={Choi, Youngduck and Lee, Youngnam and Shin, Dongmin and Cho, Junghyun and Park, Seoyon and Lee, Seewoo and Baek, Jineon and Bae, Chan and Kim, Byungsoo and Heo, Jaewe}, booktitle={International Conference on Artificial Intelligence in Education}, pages={69--73}, year={2020}, organization={Springer} } ``` ## Download dataset :modelscope-code[]{type="git"}
魔搭社区 收录
AIS数据集
该研究使用了多个公开的AIS数据集，这些数据集经过过滤、清理和统计分析。数据集涵盖了多种类型的船舶，并提供了关于船舶位置、速度和航向的关键信息。数据集包括来自19,185艘船舶的AIS消息，总计约6.4亿条记录。
github 收录
MHEALTH Dataset
该数据集名为MHEALTH，包含了12种人类活动，这些活动是由10位不同的受试者进行的，每位受试者在左脚踝和右手腕上佩戴了运动传感器。数据由128个时间步长的序列组成；正常活动被标记为正常，而其他活动被视为异常。该数据集具有18个维度，来自10位受试者，其任务是进行异常检测。
arXiv 收录
SWaT Dataset
SWaT Dataset是一个用于工业控制系统（ICS）安全研究的数据集，包含了模拟的网络攻击和正常操作的数据。该数据集由新加坡科技设计大学（Singapore University of Technology and Design）发布，旨在帮助研究人员开发和测试用于检测工业控制系统中网络攻击的算法和模型。
itrust.sutd.edu.sg 收录