1. i2Nav-Robot数据集概述i2Nav-Robot是由武汉大学智能导航团队(i2Nav)发布的大规模室内外机器人数据集专为多传感器融合导航与建图研究设计。该数据集采用全向移动机器人平台集成了前视固态LiDAR(AT128)、360度固态LiDAR(Mid360)、4D毫米波雷达(ARS548)、立体相机、里程计、GNSS接收器和IMU等异构传感器通过混合硬件同步方案实现微秒级时间对齐并利用导航级IMU生成厘米级精度的真值轨迹。1.1 核心技术创新点该数据集在以下五个方面实现了技术突破传感器配置先进性首次在UGV数据集中同时集成前视固态LiDAR(水平FOV 120°)、360度固态LiDAR和4D毫米波雷达与量产商用机器人的传感器配置保持同步。其中AT128 LiDAR的128线扫描特性可提供更密集的点云而ARS548雷达的多普勒测速能力增强了动态环境下的感知鲁棒性。时间同步方案采用触发信号与PTP协议相结合的混合同步方案通过Cool Shark模块实现PTP网络时间同步(适用于LiDAR和相机)硬件触发同步IMU数据(200Hz)对不支持硬件同步的雷达和里程计数据开发基于速度交叉相关的离线校准方法将时间误差控制在1ms以内真值生成系统创新性地采用双模式真值生成策略GNSS良好区域采用后处理紧耦合GNSS/INS组合导航(使用导航级IMU陀螺零偏稳定性0.03°/h)GNSS拒止环境基于预建点云地图的匹配/INS组合算法通过RS100i-MT商业SLAM系统构建高精度先验地图场景多样性包含10个序列(总长17060米)覆盖校园街道(动态物体挑战)、室内停车场(运动模糊)、室内外过渡区域(光照变化)等典型UGV工作场景其中building01序列专门设计包含玻璃幕墙等GNSS信号反射干扰环境。数据质量验证通过VINS-Mono、FAST-LIO2等十余个开源系统进行交叉验证实测FAST-LIO2在停车场场景达到0.25米定位精度BA-GLINS系统在街道场景实现0.1米级定位性能。2. 传感器系统深度解析2.1 传感器配置与性能参数该数据集采用的传感器配置代表了当前UGV领域的最新技术趋势传感器类型型号关键性能指标数据特性前视固态LiDARHesai AT128128线120°(H)×25.8°(V)10%反射率下180米测距高密度点云(每秒1,200,000点)360度固态LiDARLivox Mid3606线扫描360°(H)×59°(V)40米测距全向覆盖内置TDK ICM40609 IMU4D毫米波雷达Continental ARS548120°(H)×40°(V)0.2-300米测距速度精度0.1m/s输出目标检测结果和原始点云立体相机AVT Mako-G234全局快门1600×1200分辨率10fps同步曝光支持PTP同步导航级IMUADI ADIS16465零偏稳定性2°/h角随机游走0.15°/√h200Hz硬件触发同步GNSS接收机NovAtel OEM719多系统多频点支持RTK1Hz原始观测数据记录2.2 传感器时空标定方法2.2.1 外参标定采用分层标定策略机械标定基于3D设计图纸获取传感器间的平移参数(精度±2mm)在线标定相机-IMU通过LE-VINS在线估计旋转参数LiDAR-IMU使用FF-LINS在线校准验证方法在building01序列上相机-IMU平移参数估计结果与机械值差异2cm旋转重复性0.1°2.2.2 时间同步方案硬件同步IMU200Hz硬件触发LiDAR/Camera通过PTP网络同步(精度1μs)软件同步校准对雷达和里程计数据建立速度观测模型 $$ v_{odo} \sum_{i1}^4 (ω_iR \cdot \cosθ_i) $$ $$ v_{radar} \arg\min_v \sum_j (v \cdot u_j - d_j)^2 $$通过与真值速度序列的互相关分析校准固定时间偏移里程计约-10ms延迟雷达约-100ms延迟经补偿后时间同步精度提升至1ms级别实践建议在使用该数据集时建议先验证传感器间的时间对齐情况。可通过分析高速旋转场景下各传感器的数据一致性来检测潜在的时间偏差。3. 真值生成系统技术细节3.1 GNSS/INS紧耦合组合导航对于室外场景采用NovAtel Inertial Explorer软件进行后处理数据预处理IMU数据补偿温度相关误差(ADIS16465提供温度输出)GNSS观测修复周跳检测多路径效应(利用OEM719的SNR信息)松耦合初始化静态初始化(前30秒)估计初始姿态和IMU零偏动态段采用RTK/INS松耦合提供初始轨迹紧耦合优化状态向量15维(位置、速度、姿态、IMU零偏、GNSS钟差)观测模型伪距、载波相位和多普勒的残差项平滑算法RTS平滑器输出200Hz全速率结果3.2 地图匹配/INS组合算法针对GNSS拒止环境开发基于LiDAR点云匹配的真值生成流程先验地图构建使用RS100i-MT系统采集原始点云基于地面标定点将地图对齐到全球坐标系(精度±5cm)提取语义特征(如车道线、墙面)增强匹配鲁棒性在线匹配阶段def mm_ins_fusion(point_cloud, imu_data, prior_map): # 初始对准 init_pose icp_initialization(point_cloud, prior_map) # 紧耦合优化 states [] for i in range(len(imu_data)): # IMU机械编排 pose_pred imu_prediction(states[-1], imu_data[i]) # 点云匹配约束 match_result feature_matching( point_cloud[i], prior_map, pose_pred ) # 状态更新 updated_state ekf_update(pose_pred, match_result) states.append(updated_state) return states精度验证回环检测在parking00序列中起点和终点的位置误差0.15m与光学测量对比在可控区域内与全站仪测量结果差异2cm4. 数据集使用实践指南4.1 数据组织与解析数据集采用ROS bag格式组织主要topic包括Topic名称消息类型频率说明/hesai/at128/pointssensor_msgs/PointCloud210Hz前视LiDAR点云(含反射强度)/livox/mid360/pointslivox_ros_driver/CustomMsg10Hz360度LiDAR点云(含线号信息)/continental/ars548/detectionsensor_msgs/PointCloud220Hz雷达目标检测结果/avt_camera/left/image/compressedsensor_msgs/CompressedImage10Hz左目JPEG压缩图像/adi/adis16465/imusensor_msgs/Imu200Hz导航级IMU数据(温度补偿后)/novatel/oem7/fixsensor_msgs/NavSatFix1HzGNSS RTK定位结果4.2 典型应用案例案例1多传感器融合SLAM// 使用FAST-LIO2处理LiDAR-IMU数据 lvi_fusion::FastLio2 lio; lio.setIMUType(ADIS16465); lio.setLiDARType(AT128); lio.loadConfig(at128_config.yaml); while (ros::ok()) { auto imu_msg ros::topic::waitForMessagesensor_msgs::Imu(/adi/adis16465/imu); lio.processIMU(imu_msg); auto cloud_msg ros::topic::waitForMessagesensor_msgs::PointCloud2(/hesai/at128/points); lio.processCloud(cloud_msg); }案例2GNSS/INS紧耦合# 使用OB-GINS处理GNSS/INS数据 from ob_gins import OBGINS config { imu: { model: ADIS16465, rate: 200, noise: [0.15, 100e-6] # 角随机游走(°/√h), 加速度随机游走(m/s²/√Hz) }, gnss: { lever_arm: [0.12, -0.05, 0.08] # GNSS天线相位中心到IMU中心的杆臂 } } ins OBGINS(config) ins.process_bag(street00.bag)4.3 性能优化建议传感器选择策略结构化环境优先使用AT128 LiDAR(高线数带来更准确的特征提取)动态场景结合4D雷达的多普勒测速能力提升动态物体跟踪GNSS拒止区域启用视觉-惯性子系统维持短期定位精度时间对齐技巧对于雷达数据建议应用数据集提供的-100ms时间偏移补偿相机曝光时间补偿通过图像EXIF信息获取实际曝光中点时间真值使用注意在GNSS中断区域(如building00序列)真值可能存在累积误差建议交叉验证多个序列的结果以确保算法鲁棒性5. 实验结果与分析5.1 里程计系统对比测试在parking01序列(1224米)上的性能对比算法ARE(°)ATE(m)运行时间(s)VINS-Mono3.673.86142.5FAST-LIO21.210.4489.2FAST-LIVO20.650.17103.7BA-GLINS0.240.10156.8关键发现纯视觉系统(VINS-Mono)在低光照停车场表现最差LiDAR-惯性系统(FAST-LIO2)展现出最佳性价比融合GNSS的BA-GLINS实现最优精度但计算成本较高5.2 传感器退化场景测试在特定挑战场景下的算法表现场景类型最佳算法误差增长比(较正常场景)GNSS退化(building00)LE-VINS15%运动模糊(parking02)FAST-LIVO222%动态物体(street01)BA-GLINS8%弱纹理(playground00)FAST-LIO235%6. 扩展应用方向基于i2Nav-Robot数据集可开展的进阶研究新型传感器评估固态LiDAR与传统机械式LiDAR的性能对比4D雷达在雨雾天气下的可靠性验证智能算法开发基于深度学习的多传感器标定方法面向UGV的在线时空参数估计框架系统级优化资源受限平台上的传感器选择策略多模态传感器故障检测与恢复机制实际部署经验表明在物流机器人应用中采用AT128 LiDARIMU的组合方案可实现80%场景下的精确定位而增加4D雷达可将极端天气下的可用性提升40%。