TOMD

TOMD是一个为狭窄和非结构化的类似路径环境设计的综合数据集。该数据集包含高保真的多模态传感器数据，包括128通道激光雷达、立体图像、GNSS、IMU和光照测量。数据是在不同的环境条件下通过重复运行收集的。此外，我们还提出了一种新的动态多尺度数据融合模型，用于在类似路径区域中精确预测可通行路径。该研究调查了在不同光照水平下，各种融合过程（早期、交叉和混合）对模型性能的影响，包括低光、正常环境光照和明亮条件。结果表明，我们的方法有效，性能随光照水平变化而变化，并且数据集在不同环境条件下具有潜在的应用性。我们的工作为推进基于路径的越野导航提供了一个宝贵的资源，并且我们公开发布了TOMD，以建立未来该研究领域的基准。TOMD is a comprehensive dataset designed for narrow and unstructured path-like environments. It includes high-fidelity multi-modal sensor data, namely 128-channel LiDAR, stereo images, GNSS, IMU, and light intensity measurements. The data was collected via repeated runs under diverse environmental conditions. Furthermore, we propose a novel dynamic multi-scale data fusion model for accurately predicting traversable paths in path-like regions. This study examines the impact of various fusion processes (early, cross, and hybrid) on model performance across different light levels, including low-light, normal ambient lighting, and bright conditions. The results show that our method is effective, with performance varying alongside light levels, and the dataset has potential applicability across varied environmental conditions. Our work offers a valuable resource for advancing path-based off-road navigation, and we have publicly released TOMD to establish a benchmark for future research in this field.

搜集汇总

数据集介绍

构建方式

TOMD数据集通过中型全地形机器人平台在多样化环境条件下重复采集路线数据构建而成。该平台搭载了128通道高分辨率LiDAR、立体相机、GNSS、IMU以及光照测量设备，确保数据的高保真度和多模态特性。数据采集过程中严格遵循传感器校准与同步策略，采用ROS架构实现多源数据的时间戳对齐，并通过两阶段标定方法优化LiDAR与相机的空间配准精度。数据集包含9条不同光照条件下的遍历序列，以ROS bag格式存储，涵盖草地、灌木、落叶区等多种复杂地形场景。

特点

作为首个专注于狭窄非结构化小径环境的多模态数据集，TOMD的创新性体现在三个方面：采用128通道固态LiDAR消除滚动快门效应，首次引入照度计量化环境光照强度变化，并覆盖相同路径在不同光照条件下的重复采集数据。其31.4K帧图像-LiDAR配对数据包含厘米级精度的RTK-GNSS定位信息及操作指令记录，为可通行区域预测提供丰富的时空上下文。与现有越野数据集相比，TOMD在传感器分辨率（1920×1080立体视觉+128线LiDAR）和场景复杂度（树冠遮光、植被遮挡等挑战性光照条件）方面具有显著优势。

使用方法

TOMD数据集支持基于多模态融合的可通行区域分割研究，提供五种输入模态组合：原始RGB图像、稀疏/稠密深度图以及结合色度坐标的早期融合特征。研究者可通过动态多尺度网络架构探索早期、交叉和混合融合策略在不同光照强度（低/中/高）下的性能表现。数据集已预分割训练集（80%）、验证集（10%）和测试集（10%），并附带SLIC超像素预处理标注工具。公开的数据处理脚本支持点云投影、深度补全等预处理，便于快速开展跨模态特征提取与融合算法验证。

背景与挑战

背景概述

TOMD（Trail-based Off-road Multimodal Dataset）是由英国杜伦大学和伦敦国王学院的研究团队于2025年推出的一个专注于非结构化户外环境中可通行路径分割的多模态数据集。该数据集旨在解决自主机器人在狭窄、非结构化的小径环境中导航的核心问题，特别是在搜索救援和森林火灾管理等关键应用场景中。TOMD通过集成128通道LiDAR、立体视觉、GNSS、IMU和光照测量等高保真传感器数据，填补了现有数据集在窄径场景中的空白，为相关研究提供了宝贵的资源。

当前挑战

TOMD数据集面临的挑战主要包括两个方面：领域问题的挑战和构建过程中的挑战。在领域问题方面，狭窄的非结构化小径环境具有路径宽度受限、植被遮挡边界以及光照条件多变等特点，这些因素使得可通行路径的检测变得极为复杂。在构建过程中，高精度多模态传感器的同步与校准、复杂环境下的数据采集以及光照变化的量化等问题均增加了数据集的构建难度。此外，如何有效融合多模态数据以提升模型在不同光照条件下的性能，也是该数据集需要解决的关键挑战。

常用场景

经典使用场景

TOMD数据集专为复杂非结构化小径环境设计，其经典使用场景包括自主机器人在森林、草地等自然地形中的路径规划与导航。通过高分辨率128通道LiDAR和立体相机等多模态传感器数据，该数据集能够精确识别狭窄且植被覆盖的可通行路径，解决了传统数据集在低光照和复杂地形条件下的感知局限。

衍生相关工作

TOMD催生了多项跨模态融合算法的创新研究，如动态多尺度数据融合模型。相关衍生工作包括基于早期/交叉/混合融合策略的路径分割方法比较，以及针对低光照条件的鲁棒性优化。数据集还被用于验证迁移学习在非结构化场景的适用性，推动了如OFF-Net等模型的性能提升与实时性改进。

数据集最近研究

最新研究方向

近年来，TOMD数据集在自动驾驶和机器人导航领域引起了广泛关注，特别是在非结构化越野环境中的可通行路径检测方面。该数据集通过整合128通道LiDAR、立体视觉、GNSS、IMU和光照测量等多模态传感器数据，为复杂光照条件下的路径分割提供了丰富的研究资源。前沿研究主要集中在动态多尺度数据融合模型的优化，探索早期、交叉和混合融合策略在不同光照强度下的性能表现。随着野外救援和灾害管理等关键应用需求的增长，TOMD为提升自主系统在植被遮蔽、光照多变等挑战性环境中的感知能力提供了重要基准。其开放的校准数据和同步多传感器序列，正推动着基于注意力的特征融合和自监督学习等新方法的探索，为季节性变化和复杂地形适应等未来研究方向奠定了基础。

相关研究论文

• TOMD: A Trail-based Off-road Multimodal Dataset for Traversable Pathway Segmentation under Challenging Illumination Conditions

  英国达勒姆大学计算机科学系、英国国王学院工程系 · 2025年