S3E

S3E是一个大规模多模态数据集，由中山大学系统科学与工程学院创建，用于协同同步定位与地图构建（C-SLAM）研究。该数据集包含7个户外和5个室内序列，每个序列时长超过200秒，涵盖高频IMU、高质量立体相机和360度激光雷达数据。数据集通过精心设计的四种协同轨迹范式进行记录，旨在解决多机器人系统中的协同定位与地图构建问题，提高系统的鲁棒性和效率。S3E is a large-scale multimodal dataset developed by the School of Systems Science and Engineering, Sun Yat-sen University, for research on collaborative simultaneous localization and mapping (C-SLAM). This dataset includes 7 outdoor and 5 indoor sequences, each with a duration exceeding 200 seconds, covering high-frequency IMU, high-quality stereo camera and 360-degree LiDAR data. Recorded with four meticulously designed collaborative trajectory paradigms, it aims to address the challenges of collaborative localization and mapping in multi-robot systems, and improve the robustness and efficiency of such systems.

搜集汇总

数据集介绍

构建方式

在协作同步定位与建图领域，数据采集的复杂性随智能体数量增加而显著提升。S3E数据集通过三台无人地面载具系统性地构建，每台载具均搭载了高分辨率立体相机、16线激光雷达、九轴惯性测量单元及双天线实时动态定位系统。数据采集遵循四种精心设计的协作轨迹范式，涵盖同心圆、交叉圆、交叉曲线及射线等模式，以模拟不同场景下的智能体内与智能体间回环闭合情况。所有传感器通过硬件触发实现严格的时间同步，并经过精确的内外参校准，确保了多模态数据在时空维度上的一致性。采集场景包括7个室外与5个室内序列，每个序列持续时间超过200秒，形成了规模宏大且场景多样的多机器人协作数据集。

特点

S3E数据集在协作SLAM领域展现出显著的规模与多样性优势。其平均记录时长达到459.1秒，远超早期数据集如EuRoC，为长期性能评估提供了充足数据支撑。数据集融合了激光雷达、视觉与惯性三种模态，且所有数据均通过硬件同步机制实现微秒级时间对齐，有效支持紧耦合与松耦合算法开发。轨迹设计兼顾时空多样性与通信约束，模拟了从密集交互到稀疏相遇等多种协作模式，特别是包含了智能体仅未端相遇的极端场景，对算法泛化能力提出了严峻挑战。此外，数据集提供了基于实时动态定位与运动捕捉系统的厘米级地面真值，为算法精度评估奠定了可靠基础。

使用方法

研究者可利用S3E数据集对单智能体及多智能体SLAM算法进行系统化评估与比较。数据集以ROS包形式发布，包含原始传感器数据、校准参数、时间戳及地面真值轨迹，支持即插即用的算法测试。用户可依据不同轨迹范式，分析算法在智能体内回环闭合、智能体间回环闭合及混合场景下的性能表现。对于单智能体SLAM，可分别或融合使用视觉、激光雷达与惯性数据；对于协作SLAM，则可评估集中式、分布式等不同架构在数据关联、位姿图优化及地图融合方面的效果。数据集中包含的退化场景（如开阔操场）与复杂交互模式，为算法鲁棒性测试提供了关键基准。

背景与挑战

背景概述

随着多机器人协同作业需求的日益增长，协同同时定位与建图（C-SLAM）已成为机器人领域的研究热点。然而，现有数据集在协同轨迹的规模与多样性方面存在局限，难以支撑跨智能体轨迹泛化能力的评估。为此，中山大学等机构的研究团队于2023年发布了S3E数据集，旨在通过大规模多模态数据采集，推动C-SLAM算法在真实场景中的发展。该数据集由三台无人地面车辆沿四种设计的协同轨迹范式采集，涵盖室内外环境，提供高频IMU、高质量立体相机及360度激光雷达数据，其平均记录时长达到459.1秒，远超EuRoC等先驱数据集。S3E不仅填补了多模态C-SLAM基准数据的空白，还为单智能体与协同SLAM算法提供了系统化的评估基础。

当前挑战

在协同同时定位与建图领域，核心挑战在于如何实现跨智能体轨迹间的有效闭环检测与数据融合，尤其是在轨迹重叠度较低或环境特征退化的场景中。S3E数据集通过设计多样化的协同轨迹范式，揭示了现有C-SLAM算法在应对小重叠区域、动态光照变化及通信距离限制时的性能瓶颈。构建过程中的挑战则集中于多传感器时空同步与标定的复杂性：需确保三台移动平台间的高精度时间对齐（依赖GNSS与PTPv2协议），并完成激光雷达、相机及IMU的联合内外参校准，以保障多模态数据融合的可靠性。此外，大规模数据采集还需克服硬件配置、轨迹规划及地面真值获取等多重技术难题。

常用场景

经典使用场景

在协同机器人定位与建图领域，S3E数据集为多智能体系统提供了经典评估基准。其精心设计的四种轨迹范式，如同心圆、交叉曲线等，模拟了真实协作任务中智能体间的时空交互与闭环检测场景。研究人员利用其高精度同步的多模态数据——包括立体视觉、激光雷达与惯性测量单元，能够系统性地验证协同SLAM算法在复杂动态环境下的鲁棒性与精度，尤其在处理智能体间轨迹重叠度低、观测视角互补等挑战性问题上展现出独特价值。

实际应用

该数据集的实际应用场景紧密贴合多机器人协同作业的现实需求。例如在区域搜救任务中，多个地面机器人需分头探索不同区域并适时共享地图信息；在大型设施三维重建中，机器人编队需环绕目标同步采集数据以构建稠密模型。S3E涵盖的室内外多样化环境与轨迹设计，能够支撑协同感知、协同勘探等系统在通信受限、观测重叠度低等实际约束下的性能测试，为无人车队协同导航、工业自动化巡检等应用提供了关键数据支撑。

衍生相关工作

基于S3E数据集，已衍生出一系列协同SLAM领域的经典研究工作。例如分布式激光雷达SLAM框架DCL-SLAM利用该数据集验证了其在低重叠轨迹下的鲁棒性；集中式视觉-惯性系统COVINS则通过S3E评估了多智能体数据融合的优化效果。此外，Swarm-SLAM等去中心化算法也在该数据集上测试了通信效率与收敛性能。这些工作不仅深化了对协同感知中闭环检测、地图融合等核心问题的理解，也推动了轻量化、高鲁棒性协同SLAM架构的发展。