Odyssey: An Automotive Lidar-Inertial Odometry Dataset for GNSS-denied situations

📄 arXiv: 2512.14428v1 📥 PDF

作者: Aaron Kurda, Simon Steuernagel, Lukas Jung, Marcus Baum

分类: cs.RO

发布日期: 2025-12-16

备注: 9 pages, 4 figures, submitted to International Journal of Robotics Research (IJRR)

💡 一句话要点

Odyssey：面向GNSS拒止环境的车载激光雷达-惯性里程计数据集

🎯 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 GNSS拒止 数据集 环形激光陀螺仪 自动驾驶 同步定位与建图

📋 核心要点

  1. 现有LIO/SLAM系统依赖GNSS真值，但在GNSS拒止或信号不佳的环境中性能受限，阻碍了相关算法的长期评估。
  2. Odyssey数据集利用配备环形激光陀螺仪(RLG)的导航级INS生成高精度真值，特别关注GNSS拒止环境的数据采集。
  3. 该数据集包含隧道、停车场、拥堵交通等多种场景，并提供三重重复轨迹和精确大地坐标，支持LIO、地点识别等任务。

📝 摘要（中文）

激光雷达-惯性里程计(LIO)和同步定位与建图(SLAM)系统的开发与评估需要精确的真值。全球导航卫星系统(GNSS)通常被用作基础，但在受阻环境中，由于多径效应或信号丢失，其信号可能不可靠。现有数据集通过结合惯性测量单元(IMU)的测量来补偿GNSS信号的零星丢失，但常用的基于微机电系统(MEMS)或光纤陀螺仪(FOG)的系统不允许对GNSS拒止环境进行长期研究。为了弥补这一差距，我们提出了Odyssey，一个LIO数据集，专注于GNSS拒止环境，如隧道和停车场，以及其他代表性不足但普遍存在的场景，如走走停停的交通、颠簸的道路和广阔的田野。我们的真值来自配备环形激光陀螺仪(RLG)的导航级惯性导航系统(INS)，与现有数据集中使用的IMU相比，具有卓越的偏置稳定性，能够对GNSS拒止环境进行长期准确的研究。这使得Odyssey成为第一个公开提供的基于RLG的INS数据集。除了为LIO提供数据外，我们还通过所有轨迹的三重重复以及通过提供精确的大地坐标来整合外部地图数据，来支持其他任务，如地点识别。所有数据、数据加载器和其他材料都可以在https://odyssey.uni-goettingen.de/ 上在线获取。

🔬 方法详解

问题定义：现有LIO和SLAM系统在GNSS信号弱或缺失的环境中，例如隧道、室内停车场等，难以获得可靠的定位结果。常用的MEMS或FOG IMU在长时间GNSS拒止情况下，由于漂移累积，无法提供足够精确的真值，限制了算法的评估和优化。

核心思路：使用高精度的环形激光陀螺仪(RLG)作为惯性导航系统的核心传感器，提供长时间稳定的姿态估计。通过导航级INS生成高精度的轨迹真值，从而克服GNSS拒止环境下的定位难题，并为LIO/SLAM算法提供可靠的评估基准。

技术框架：Odyssey数据集的构建主要包括数据采集和真值生成两个阶段。数据采集阶段使用配备激光雷达和RLG-INS的车辆在各种GNSS受限环境中行驶，记录激光雷达点云和高精度惯性测量数据。真值生成阶段利用RLG-INS数据进行精密解算，得到车辆的位姿轨迹作为真值。数据集还包括GNSS数据（可用时）、外部地图数据和数据加载工具。

关键创新：Odyssey数据集的关键创新在于使用了导航级的RLG-INS系统来生成真值，这在公开的LIO/SLAM数据集中尚属首次。相比于常用的MEMS或FOG IMU，RLG具有更高的精度和更低的漂移，能够提供长时间稳定的姿态估计，从而为GNSS拒止环境下的LIO/SLAM算法评估提供可靠的基准。

关键设计：为了支持不同的应用，Odyssey数据集包含了多种场景，包括隧道、停车场、城市街道、乡村道路等。为了支持地点识别任务，每条轨迹都重复三次。数据集还提供了精确的大地坐标，方便用户整合外部地图数据。数据加载器采用模块化设计，方便用户根据自己的需求选择和处理数据。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

Odyssey数据集是首个公开的基于RLG-INS的LIO数据集，提供了在GNSS拒止环境下高精度的真值。与使用MEMS或FOG IMU的现有数据集相比，Odyssey能够支持更长时间和更精确的LIO/SLAM算法评估。数据集包含多种具有挑战性的场景，如隧道、停车场和拥堵交通，为相关算法的研究提供了宝贵资源。

🎯 应用场景

Odyssey数据集可用于开发和评估在GNSS拒止或受限环境中运行的自动驾驶系统、机器人导航系统和增强现实应用。例如，可以利用该数据集训练和测试车辆在隧道、地下停车场等场景下的定位和建图算法，提高自动驾驶系统的鲁棒性和可靠性。此外，该数据集也可用于研究惯性导航与视觉/激光雷达信息的融合算法。

📄 摘要（原文）

The development and evaluation of Lidar-Inertial Odometry (LIO) and Simultaneous Localization and Mapping (SLAM) systems requires a precise ground truth. The Global Navigation Satellite System (GNSS) is often used as a foundation for this, but its signals can be unreliable in obstructed environments due to multi-path effects or loss-of-signal. While existing datasets compensate for the sporadic loss of GNSS signals by incorporating Inertial Measurement Unit (IMU) measurements, the commonly used Micro-Electro-Mechanical Systems (MEMS) or Fiber Optic Gyroscope (FOG)-based systems do not permit the prolonged study of GNSS-denied environments. To close this gap, we present Odyssey, a LIO dataset with a focus on GNSS-denied environments such as tunnels and parking garages as well as other underrepresented, yet ubiquitous situations such as stop-and-go-traffic, bumpy roads and wide open fields. Our ground truth is derived from a navigation-grade Inertial Navigation System (INS) equipped with a Ring Laser Gyroscope (RLG), offering exceptional bias stability characteristics compared to IMUs used in existing datasets and enabling the prolonged and accurate study of GNSS-denied environments. This makes Odyssey the first publicly available dataset featuring a RLG-based INS. Besides providing data for LIO, we also support other tasks, such as place recognition, through the threefold repetition of all trajectories as well as the integration of external mapping data by providing precise geodetic coordinates. All data, dataloader and other material is available online at https://odyssey.uni-goettingen.de/ .