VIRD——视觉/惯性/超宽带（UWB）数据集

1. 引言

  随着自动驾驶、机器人导航、室内定位等技术的快速发展，导航数据集已成为推动相关算法进步的关键一环。单一传感器（如 GPS、IMU、视觉、激光雷达）往往存在局限性——GPS 在室内和城市峡谷中信号弱，IMU 存在累积漂移，视觉在光照不足时失效，激光雷达在雨雾天气性能下降。因此，多源融合导航数据集应运而生，为算法研发与评估提供了标准化的测试平台，使得研究人员能够在统一基准上公平比较不同融合方案的性能。

  超宽带（UWB）技术凭借其厘米级测距精度、良好的抗多径干扰能力和穿透性，在室内定位和多源融合导航中扮演着越来越重要的角色。尽管面向复杂场景下的多源传感器数据集种类多样，但包含 UWB 传感器的数据集较少，尤其是国内包含 UWB 的开源数据集十分稀缺。为便利用户在复杂场景下进行多源传感器融合算法的测试验证，本篇主要介绍一个国内包含 UWB 传感器的多源传感器数据集，帮助读者了解该领域的研究现状与可用资源。

2. VIRD 数据集

2.1 VIRD 数据集介绍

  VIRD^[1] 是国内首个包含 UWB 传感器的多源融合导航开源数据集。该数据集在多种复杂场景下同步采集了多源传感器数据，为多源融合定位算法的研发与评估提供了标准化的测试平台。

  VIRD 数据集的优势特点包括：

• 采集场景丰富：数据集包含动态场景、非视距（Non-line-of-sight, NLOS）场景、UWB 失效场景、纯旋转运动场景、大尺度场景、光照变化场景和 UWB 锚点高低分布场景等 7 种复杂场景，为用户提供了多样化场景用于算法测试验证。

• 采集平台丰富：采集平台包括无人机平台和无人车平台，无人机平台适合评估高空视角下的三维视觉-惯性融合性能，而无人车平台则更贴近地面移动机器人的实际应用场景。

• 提供六自由度真值：在 40 m × 12 m × 8 m 的大型测试场搭建了一套高精度运动捕捉系统，提供实时的六自由度位置和姿态真值，定位精度可达亚毫米级，为算法精度评估提供了可靠的参考基准。

• 提供 UWB 锚点（基站）真值：利用运动捕捉系统测量了所有场景下各个 UWB 锚点的真实位置，为 UWB 锚点位置的精度评估提供了依据。这对于多源融合算法（如视觉/惯性/UWB 紧耦合导航）中评估 UWB 锚点位置的估计误差及其对多源融合算法的影响提供了评判依据。

• UWB 组网结构完整：数据集中包含 6~8 个 UWB 锚点组网结构的数据输出，输出信息包括 UWB 原始测距值和三维定位信息，支持从原始测距到位置解算的全链路算法验证。

  下表总结了 VIRD 数据集中各传感器的设备型号、参数指标等：

2.2 开源算法测试

  采用包括 VINS-MONO^[2]、VINS-FUSION^[3]、VIR-SLAM^[4] 以及 ORB-SLAM3^[5]，对 VIRD 数据集中的所有场景序列进行了测试和分析，结果如表 2 所示。

3. VIRAL 数据集（国外开源数据集）

  NTU VIRAL^[6] 是由新加坡南洋理工大学 ARIS 实验室发布的多模态无人机数据集，全称为 "Visual-Inertial-Ranging-Lidar Dataset"（视觉-惯性-测距-激光雷达数据集），是为数不多的包含 UWB 数据的开源数据集之一。但数据集没有提供 UWB 锚点的真实位置，给在紧耦合导航中评估 UWB 锚点的估计精度带来不便。

3. 总结

  VIRD 数据集旨在解决国内包含 UWB 传感器的多源数据集匮乏问题，为学者对多源传感器融合导航和 SLAM 技术的研究提供测试平台和基准。但是，该数据集仍存在若干问题有待解决和完善。一方面，数据集没有融入更多传感器信息如 GNSS 数据以实现室内外无缝场景下的数据采集；另一方面，数据集没有实现多传感器的时间硬件同步。

参考文献

[1] 罗豪龙, 杨子迪, 李雪强, 等. 复杂场景下基于无人平台的视觉/惯性/超宽带数据集[J]. 测绘通报, 2024, (9): 87-95. DOI: 10.13474/j.cnki.11-2246.2024.0916.
[2] Tong Q, Li P, Shen S. VINS-Mono: A Robust and Versatile Monocular Visual-Inertial State Estimator[J]. IEEE Transactions on Robotics, 2017, PP(99): 1-17.
[3] Qin T, Cao S, Pan J, Shen S. A general optimization-based framework for global pose estimation with multiple sensors. In Proceedings of the 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) [C]. 2019, pp. 370–377.
[4] Cao Y, Beltrame G. VIR-SLAM: Visual, inertial, and ranging SLAM for single and multi-robot systems. Autonomous Robots. 2021 Sep;45(6):905-17.
[5] Campos C, Elvira R, Rodriguez J, et al. ORB-SLAM3: An accurate open-source library for visual, visual-inertial, and multimap SLAM[J]. IEEE Transactions on Robotics, 2021, 37(6): 1874-1890.
[6] Nguyen T-M, Yuan S, Cao M, et al. NTU VIRAL: A visual-inertial-ranging-lidar dataset, from an aerial vehicle viewpoint. The International Journal of Robotics Research. 2022, 41(3):270-280.:270-280.ics Research. 2022, 41(3):270-280.