Oxford Spires 数据集：面向大规模 LiDAR-视觉定位、重建与辐射场方法的基准测试
计算机视觉与模式识别
2025-09-12 v2 机器人学
摘要
本文介绍了一个大规模多模态数据集，采集于牛津著名地标及其周围地区。数据集采用自制多传感器感知单元，以及来自 Terrestrial LiDAR Scanner（TLS）的毫米级精度地图。感知单元包括三台同步全局快门彩色相机、一台汽车用 3D LiDAR 扫描仪以及惯性传感器，所有设备均经过精确标定。我们还为涉及定位、重建和新视角合成等任务建立了基准测试，评估包括同时定位与地图构建（SLAM）方法、结构化运动（SfM）和多视图立体（MVS）方法，以及诸如神经辐射场（NeRF）和 3D 高斯溅写等辐射场方法。为评估 3D 重建，采用 TLS 3D 模型作为真实值；定位真实值通过将移动 LiDAR 扫描数据注册到 TLS 3D 模型实现。辐射场方法的评估不仅使用从输入轨迹中抽样的姿态，还使用与训练轨迹相距较远的视点姿态。我们的评估显示，当前主流辐射场方法的一个关键局限：它们倾向于过度拟合训练姿态/图像，对超出训练序列的姿态缺乏泛化能力。同时在与使用相同视觉输入的 MVS 系统相比，它们在 3D 重建方面表现不佳。我们的数据集和基准测试旨在促进辐射场方法与 SLAM 系统的更好集成。原始数据、处理后数据以及解析和评估软件均可在 https://dynamic.robots.ox.ac.uk/datasets/oxford-spires/ 访问获取。
引用
@article{arxiv.2411.10546,
title = {The Oxford Spires Dataset: Benchmarking Large-Scale LiDAR-Visual Localisation, Reconstruction and Radiance Field Methods},
author = {Yifu Tao and Miguel Ángel Muñoz-Bañón and Lintong Zhang and Jiahao Wang and Lanke Frank Tarimo Fu and Maurice Fallon},
journal= {arXiv preprint arXiv:2411.10546},
year = {2025}
}
备注
Accepted by IJRR. Website: https://dynamic.robots.ox.ac.uk/datasets/oxford-spires/