野外挖掘：面向语义分割的 GOOSE-Ex 数据集
机器人学
2025-09-29 v2 计算机视觉与模式识别
摘要
基于深度学习的自主系统技术的成功部署，高度依赖于相应系统在其部署环境中的数据可用性。特别是在非结构化的室外环境中，针对极少数机器人平台和场景的数据集更是寥寥无几。在早期工作中，我们提出了德国室外与越野数据集（GOOSE）框架，并提供了来自一辆越野车的 10000 帧多模态数据，以增强非结构化环境中的感知能力。在本工作中，我们探讨 GOOSE 框架的泛化能力。为此，我们开源了 GOOSE-Ex 数据集，该数据集包含在完全不同的环境中录制的额外 5000 帧带标注的多模态数据，采集平台为机器人挖掘机和四足机器人平台。我们对不同平台和传感器模态在未见环境中的语义分割性能进行了全面分析。此外，我们展示了如何将合并后的数据集用于不同的下游应用或竞赛，例如越野导航、物体操作或场景补全。该数据集、其平台文档以及用于越野感知的预训练最先进模型将在 https://goose-dataset.de/ 上公开提供。
引用
@article{arxiv.2409.18788,
title = {Excavating in the Wild: The GOOSE-Ex Dataset for Semantic Segmentation},
author = {Raphael Hagmanns and Peter Mortimer and Miguel Granero and Thorsten Luettel and Janko Petereit},
journal= {arXiv preprint arXiv:2409.18788},
year = {2025}
}
备注
Accepted for publication at 2025 IEEE International Conference on Robotics and Automation (ICRA)