Large-Scale LiDAR-Inertial Dataset for Degradation-Robust High-Precision Mapping

📄 arXiv: 2507.20516v1 📥 PDF

作者: Xiaofeng Jin, Ningbo Bu, Shijie Wang, Jianfei Ge, Jiangjian Xiao, Matteo Matteucci

分类: cs.RO

发布日期: 2025-07-28

备注: 9 pages,7 figures, 6 tables

💡 一句话要点

提出大规模LiDAR-惯性数据集，用于评估复杂场景下LIO系统鲁棒性与精度。

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 激光雷达 惯性里程计 LIO 数据集 SLAM RTK-GNSS 高精度地图

📋 核心要点

  1. 现有LIO系统在复杂真实场景下的验证数据不足，难以评估其鲁棒性和泛化能力。
  2. 论文构建了一个大规模、高精度的LIO数据集，包含多种复杂环境和长轨迹。
  3. 数据集通过SLAM优化与RTK-GNSS融合生成高精度真值，并经过倾斜摄影测量验证。

📝 摘要（中文）

本文介绍了一个大规模、高精度的激光雷达-惯性里程计（LIO）数据集，旨在解决现有研究中LIO系统在复杂真实场景中验证不足的问题。该数据集覆盖了四个不同的真实环境，面积从6万到75万平方米不等，使用定制的背包式平台采集，该平台配备了多线激光雷达、工业级IMU和RTK-GNSS模块。数据集包含长轨迹、复杂场景和高精度真值，真值通过融合基于SLAM的优化与RTK-GNSS锚定生成，并通过倾斜摄影测量和RTK-GNSS的集成验证了轨迹精度。该数据集为评估LIO系统在实际高精度测绘场景中的泛化能力提供了一个全面的基准。

🔬 方法详解

问题定义：现有LIO系统在实际复杂场景中的鲁棒性和精度验证不足，缺乏高质量的大规模数据集。这限制了LIO算法的开发和评估，尤其是在退化环境下的性能评估。现有数据集可能规模较小，场景单一，或者缺乏高精度的真值轨迹。

核心思路：论文的核心思路是构建一个大规模、多样化的LIO数据集，并提供高精度的真值轨迹。通过在不同的真实环境中采集数据，并采用融合SLAM和RTK-GNSS的方法生成真值，从而为LIO系统的评估和改进提供可靠的基准。这样设计的目的是为了更全面地评估LIO系统在各种实际场景下的性能。

技术框架：该数据集的构建流程主要包括以下几个阶段：1) 数据采集：使用定制的背包式平台，配备多线激光雷达、工业级IMU和RTK-GNSS模块，在四个不同的真实环境中采集数据。2) 真值生成：采用基于SLAM的优化方法，并利用RTK-GNSS数据进行锚定，生成高精度的轨迹真值。3) 真值验证：通过集成倾斜摄影测量和RTK-GNSS数据，对生成的轨迹真值进行验证，确保其精度。

关键创新：该数据集的关键创新在于其规模、多样性和真值精度。与现有数据集相比，该数据集覆盖了更大的区域，包含了更复杂的场景，并提供了更高精度的真值轨迹。此外，该数据集还采用了融合SLAM和RTK-GNSS的方法生成真值，并使用倾斜摄影测量进行验证，从而提高了真值的可靠性。

关键设计：数据集采集平台集成了多线激光雷达（具体型号未知）、工业级IMU（具体型号未知）和RTK-GNSS模块（具体型号未知）。SLAM优化算法的具体实现细节未知，但强调了与RTK-GNSS数据的融合。倾斜摄影测量用于真值验证的具体流程和参数设置未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该数据集包含四个不同环境，覆盖面积达6万至75万平方米，提供了长轨迹和复杂场景。通过融合SLAM和RTK-GNSS生成高精度真值轨迹，并使用倾斜摄影测量进行验证，确保了真值的可靠性。该数据集为LIO系统的评估提供了一个全面的基准。

🎯 应用场景

该数据集可广泛应用于机器人导航、自动驾驶、三维地图重建等领域。研究人员可以利用该数据集评估和改进LIO算法，提高其在复杂环境下的鲁棒性和精度。此外，该数据集还可以用于开发新的SLAM算法和地图构建方法，推动相关领域的发展。

📄 摘要（原文）

This paper introduces a large-scale, high-precision LiDAR-Inertial Odometry (LIO) dataset, aiming to address the insufficient validation of LIO systems in complex real-world scenarios in existing research. The dataset covers four diverse real-world environments spanning 60,000 to 750,000 square meters, collected using a custom backpack-mounted platform equipped with multi-beam LiDAR, an industrial-grade IMU, and RTK-GNSS modules. The dataset includes long trajectories, complex scenes, and high-precision ground truth, generated by fusing SLAM-based optimization with RTK-GNSS anchoring, and validated for trajectory accuracy through the integration of oblique photogrammetry and RTK-GNSS. This dataset provides a comprehensive benchmark for evaluating the generalization ability of LIO systems in practical high-precision mapping scenarios.