SLAM 數據集匯總主頁：https://github.com/qxiaofan/awesome-slam-datasets
SLAM 數據 集綜述論文：Simultaneous Localization and Mapping Related Datasets: A
Comprehensive Survey
論文地址：https://arxiv.org/abs/2102.04036
M2DGR 簡介
M2DGR 是由上海交大采針對地面機器人導航采集的 SLAM 數據集，包含了環視 RGB 相機、
紅外相機、事件相機、32 線激光雷達、IMU 與原始 GNSS 信息，覆蓋了室內外具有挑戰性
的場景，給當前的 SLAM 算法帶來了很大的挑戰性。項目主頁位于 https://github.com/SJTU
ViSYS/M2DGR。
論文位于：https://github.com/SJTU-ViSYS/M2DGR/blob/main/main.pdf。
主要貢獻有：
1.為室內和室外的地面機器人收集了長期具有挑戰性的序列，并擁有一個完整的傳感器套件，
其中包括 6 個環視魚眼攝像機、一個指向天空的魚眼攝像機、一個透視彩色攝像機、一個事
件攝像機、一個紅外攝像機、一個 32 束激光雷達、兩個 GNSS 接收器和兩個 imu。 這是首
個擁有如此豐富的傳感器信息的專注于地面機器人導航的 SLAM 數據集。
2.記錄了一些具有挑戰性的情況下的軌跡，如電梯、完全黑暗，這些情況很容易導致現有的
定位解決方案失敗。 這些情況在地面機器人應用中是很常見的，但在以前的數據集中很少
討論。
35
cvlife.net 3.啟動地面機器人導航的 benchmark。 在這個基準上評估了現有的各種設計的最先進的
SLAM 算法，并分別分析了它們的特點和缺陷。
主要適用范圍：評估室內外地面機器人的單目（針孔/魚目/紅外）視覺 SLAM 算法、雙目（魚
目）SLAM 算法、VIO 算法、激光 SLAM、激光+IMU、激光+IMU+GNSS、激光+視覺+IMU、
事件相機的 SLAM、GNSS 定位方法等
所有的數據格式均為 rosbag，包括以下 topic：
LIDAR: /velodyne_points
RGB Camera: /camera/left/image_raw/compressed ,
/camera/right/image_raw/compressed ,
/camera/third/image_raw/compressed ,
/camera/fourth/image_raw/compressed ,
/camera/fifth/image_raw/compressed ,
/camera/sixth/image_raw/compressed ,
/camera/head/image_raw/compressed
GNSS Ublox M8T:
/ublox/aidalm ,
/ublox/aideph ,
/ublox/fix ,
/ublox/fix_velocity ,
/ublox/monhw ,
/ublox/navclock ,
/ublox/navpvt ,
/ublox/navsat ,
/ublox/navstatus ,
/ublox/rxmraw
Infrared Camera:/thermal_image_raw
V-I Sensor:
/camera/color/image_raw/compressed ,
/camera/imu
Event Camera:
/dvs/events,
/dvs_rendering/compressed
IMU: /handsfree/imu
KITTI 簡介
KITTI 數據集由德國卡爾斯魯厄理工學院和豐田美國技術研究院聯合創辦，是目前國際上最
大的自動駕駛場景下的計算機視覺算法評測數據集之一。該數據集用于評測立體圖像
(stereo)，光流(optical flow)，視覺測距(visual odometry)，3D 物體檢測(object detection)和
3D 跟蹤(tracking)等計算機視覺技術在車載環境下的性能。KITTI 包含市區、鄉村和高速公路
等場景采集的真實圖像數據，每張圖像中最多達 15 輛車和 30 個行人，還有各種程度的遮
擋與截斷。
論文地址為：https://www.mrt.kit.edu/z/publ/download/2013/GeigerAl2013IJRR.pdf
官網鏈接為 https://www.cvlibs.net/datasets/kitti/eval_odometry.php，可以選擇“odometry”并
下載原始數據
主要適用范圍：評估自動駕駛場景下的純激光 SLAM 算法、激光+視覺的算法
Kitti 的原始格式為：
Kitti 不提供 Rosbag 格式的數據，需要手動進行轉換。其中 kitti2bag
（https://github.com/tomas789/kitti2bag）是個比較好用的開源工具。可以通過 pip install
kitti2bag 直接安裝，使用方式為
$ wget https://s3.eu-central-1.amazonaws.com/avg
kitti/raw_data/2011_09_26_drive_0002/2011_09_26_drive_0002_sync.zip
$ wget https://s3.eu-central-1.amazonaws.com/avg
kitti/raw_data/2011_09_26_calib.zip
$ unzip 2011_09_26_drive_0002_sync.zip
$ unzip 2011_09_26_calib.zip
$ kitti2bag -t 2011_09_26 -r 0002 raw_synced .
Exporting static transformations
Exporting time dependent transformations
Exporting IMU
Exporting camera 0
40
cvlife.net 100% (77 of 77) |##########################| Elapsed Time: 0:00:00
Time: 0:00:00
Exporting camera 1
100% (77 of 77) |##########################| Elapsed Time: 0:00:00
Time: 0:00:00
Exporting camera 2
100% (77 of 77) |##########################| Elapsed Time: 0:00:01
Time: 0:00:01
Exporting camera 3
100% (77 of 77) |##########################| Elapsed Time: 0:00:01
Time: 0:00:01
Exporting velodyne data
100% (77 of 77) |##########################| Elapsed Time: 0:00:15
Time: 0:00:15
## OVERVIEW ##
path: kitti_2011_09_26_drive_0002_synced.bag
version: 2.0
duration: 7.8s
start: Sep 26 2011 13:02:44.33 (1317042164.33)
end: Sep 26 2011 13:02:52.16 (1317042172.16)
size: 417.2 MB
messages: 1078
compression: none [308/308 chunks]
types: geometry_msgs/TwistStamped
[98d34b0043a2093cf9d9345ab6eef12e]
sensor_msgs/CameraInfo
[c9a58c1b0b154e0e6da7578cb991d214]
sensor_msgs/Image
[060021388200f6f0f447d0fcd9c64743]
sensor_msgs/Imu
[6a62c6daae103f4ff57a132d6f95cec2]
sensor_msgs/NavSatFix
[2d3a8cd499b9b4a0249fb98fd05cfa48]
sensor_msgs/PointCloud2
[1158d486dd51d683ce2f1be655c3c181]
tf2_msgs/TFMessage
[94810edda583a504dfda3829e70d7eec]
topics: /kitti/camera_color_left/camera_info 77 msgs :
sensor_msgs/CameraInfo
/kitti/camera_color_left/image_raw 77 msgs :
sensor_msgs/Image
/kitti/camera_color_right/camera_info 77 msgs :
sensor_msgs/CameraInfo
41
cvlife.net /kitti/camera_color_right/image_raw 77 msgs :
sensor_msgs/Image
/kitti/camera_gray_left/camera_info 77 msgs :
sensor_msgs/CameraInfo
/kitti/camera_gray_left/image_raw 77 msgs :
sensor_msgs/Image
/kitti/camera_gray_right/camera_info 77 msgs :
sensor_msgs/CameraInfo
/kitti/camera_gray_right/image_raw 77 msgs :
sensor_msgs/Image
/kitti/oxts/gps/fix 77 msgs :
sensor_msgs/NavSatFix
/kitti/oxts/gps/vel 77 msgs :
geometry_msgs/TwistStamped
/kitti/oxts/imu 77 msgs :
sensor_msgs/Imu
/kitti/velo/pointcloud 77 msgs :
sensor_msgs/PointCloud2
/tf 77 msgs :
tf2_msgs/TFMessage
/tf_static 77 msgs :
tf2_msgs/TFMessage
EuRoc 簡介
EuRoC 是一個 微型無人機（MAV）上收集的視覺慣性數據集
官網為 https://projects.asl.ethz.ch/datasets/doku.php?id=kmavvisualinertialdatasets
論文為
https://www.researchgate.net/profile/Michael
Burri/publication/291954561_The_EuRoC_micro_aerial_vehicle_datasets/links/56af0c6008ae1
9a38516937c/The-EuRoC-micro-aerial-vehicle-datasets.pdf
概要：數據集包含同步雙目圖像、IMU 測量和準確的軌跡真值。第一批數據集有助于在真實
的無人機上設計和評估 VIO 算法。它是在工業環境中收集的，包含來自激光跟蹤系統的毫
米精確軌跡真值。第二批數據集旨在精確的 3D 環境重建，并在配備有運動捕捉系統的房間
中記錄。數據集包含 6D 姿勢地面真相和環境的詳細 3D 掃描。總共提供了 11 個數據集，從
良好視覺條件下的慢速飛行到運動模糊和照明不足的動態飛行，使研究人員能夠徹底測試和
評估他們的算法。所有數據集包含原始傳感器測量值、時空對齊的傳感器數據和地面實況、
外部和內部校準，以及用于自定義校準的數據集。
硬件設備包括
1.飛行器機體：AscTec Firefly
2.雙目 VIO 相機：全局快門，單色，相機頻率 20Hz，IMU 頻率 200Hz，具備相機和 IMU 的
硬件同步，雙目相機型號 MT9V034，IMU 型號 ADIS16448
3.VICON0：維肯動作捕捉系統的配套反射標志，叫做 marker
4.LEICA0：是激光追蹤器配套的傳感器棱鏡，叫做 prism
5.Leica Nova MS50: 激光追蹤器，測量棱鏡 prism 的位置，毫米精度，幀率 20Hz，
6.Vicon motion capture system: 維肯動作捕捉系統，提供在單一坐標系下的 6D 位姿測量，
測量方式是通過在 MAV 上貼上一組反射標志，幀率 100Hz，毫米精度
四個傳感器，對應數據集結構中 cam0,cam1,imu0,leica0 四個文件夾，其
中 prism 和 marker 公用一個坐標系，
飛行器的 Body Frame 是以 IMU 的中心作為 Body Frame 的，四個文件夾所有的傳感器數據
都是相對于各自的傳感器坐標系(Sensor Frame)的,IMU 的 Sensor Frame 就是飛行器的 Body
Frame
在每個傳感器文件夾里配套一個 senor.yaml 文件，描述了該傳感器相對于 Body 坐標系的坐
標變換情況，以及傳感器內參。
數據集的格式為：
——mav0
— cam0
data :圖像文件
data.csv :圖像時間戳
sensor.yaml : 相機參數【內參 fu,fv,cu,cv、外參 T_BS(相機相對于
b 系的位姿)、畸變系數】
— cam1
data :圖像文件
data.csv :圖像時間戳
sensor.yaml : 相機參數【內參 fu,fv,cu,cv、外參 T_BS(相機相對于
b 系的位姿)、畸變系數】
— imu0
data.csv : imu 測量數據【時間戳、角速度 xyz、加速度 xyz】
sensor.yaml : imu 參數【外參 T_BS、慣性傳感器噪聲模型以及噪聲
參數】
— leica0
data.csv : leica 測量數據【時間戳、prism 的 3D 位置】
sensor.yaml : imu 參數【外參 T_BS】
— state_groundtruth_estimae0**
data.csv :地面真實數據【時間戳、3D 位置、姿態四元數、速度、
ba、bg】
sensor.yaml :
真值的格式為
timestamp 18 位時間戳
p 代表 position，指的是 MAV 的空間 3D 坐標，RS 代表這個坐標是在 R 坐標系
的值，也就是 LEICA 位姿跟蹤系統坐標系下測到的值，S 指的是原來的值是從
Sensor 坐標系下得到的，后來又變換到了 R 坐標系。R 可能代表 LEICA 坐標
系，x 代表這是 3D 位置的 x 軸方向上的真值。單位位米
p_RS_R_x [m]
p_RS_R_y [m]
p_RS_R_z [m]
q 代表 quaternion 四元數，表達了 MAV 的朝向信息，RS 代表是在 R 坐標系下測
到的朝向信息，但是實際上最開始是在 Sensor 坐標系下的朝向，后來只不過被
變換到了 R 坐標系下,w 為四元數的實部，xyz 為虛部
q_RS_w []
q_RS_x []
q_RS_y []
q_RS_z []
v 代表這是 MAV 的速度信息，而且是在 R 坐標系下的速度信息，單位 m/s
44
cvlife.net v_RS_R_x [m s^-1]
v_RS_R_y [m s^-1]
v_RS_R_z [m s^-1]
w 代表這是 MAV 在 R 坐標系下的角速度信息，單位 rad/s
b_w_RS_S_x [rad s^-1]
b_w_RS_S_y [rad s^-1]
b_w_RS_S_z [rad s^-1]
a 代表這是 MAV 在 R 坐標系下的線加速度信息，單位 m/s^2
b_a_RS_S_x [m s^-2]
b_a_RS_S_y [m s^-2]
b_a_RS_S_z [m s^-2]
-灰狼優化算法優化CNN-BiLSTM)
