EnvoDat：一个用于异构环境中机器人空间感知与语义推理的大规模多传感器数据集
机器人学
2026-01-13 v2
摘要
为了确保机器人在多样化的现实世界条件下的自主效率，一个高质量的异构数据集对于基准测试操作算法的性能和鲁棒性至关重要。当前的基准测试主要关注城市地形，特别是用于道路自动驾驶，而多退化、植被茂密、动态和特征稀疏的环境，如地下隧道、自然田野和现代室内空间，则代表性不足。为了填补这一空白，我们引入了 EnvoDat，这是一个在不同环境和条件下收集的大规模、多模态数据集，包括一天中不同时间的高光照、雾、雨和零能见度条件。总体而言，EnvoDat 包含来自 13 个场景的 26 个序列、10 种传感模态、超过 1.9TB 的数据，以及针对超过 82 个物体和地形类别的超过 89K 个细粒度多边形标注。我们以不同格式后处理了 EnvoDat，这些格式支持基准测试 SLAM 和监督学习算法，以及微调多模态视觉模型。通过 EnvoDat，我们为条件极具挑战性的区域中的环境弹性机器人自主性做出了贡献。数据集和其他相关资源可通过 https://linusnep.github.io/EnvoDat/ 访问。
引用
@article{arxiv.2410.22200,
title = {EnvoDat: A Large-Scale Multisensory Dataset for Robotic Spatial Awareness and Semantic Reasoning in Heterogeneous Environments},
author = {Linus Nwankwo and Bjoern Ellensohn and Vedant Dave and Peter Hofer and Jan Forstner and Marlene Villneuve and Robert Galler and Elmar Rueckert},
journal= {arXiv preprint arXiv:2410.22200},
year = {2026}
}