TOMD：基于轨迹的越野多模态数据集用于挑战性照明条件下的可遍历路径分割
机器人学
2025-06-30 v1 计算机视觉与模式识别
机器学习
摘要
在非结构化户外环境中检测可遍历路径 remains 对自动化机器人而言是一个重要挑战，尤其是在广域搜救、森林火灾等紧急场景中。现有数据集和模型主要针对城市环境或宽阔、可驾驶的越野轨迹，缺乏对狭窄、类似小径的越野场景的考虑。为此，我们引入基于轨迹的越野多模态数据集（TOMD），该数据集是为此类环境专门设计的综合性数据集。TOMD 提供高保真多模态传感器数据，包括 128 通道 LiDAR、立体图像、GNSS、IMU 和照明测量数据，通过在多样化条件下的多次遍历收集。我们还提出了一种用于准确可遍历路径预测的动态多尺度数据融合模型。该研究分析了在不同照明条件下，早期融合、交叉融合和混合融合策略的性能。结果表明，我们的方法有效且照明对分割性能具有重要影响。我们公开发布 TOMD 数据集于 https://github.com/yyyxs1125/TMOD 以支持基于小径越野导航的后续研究。
引用
@article{arxiv.2506.21630,
title = {TOMD: A Trail-based Off-road Multimodal Dataset for Traversable Pathway Segmentation under Challenging Illumination Conditions},
author = {Yixin Sun and Li Li and Wenke E and Amir Atapour-Abarghouei and Toby P. Breckon},
journal= {arXiv preprint arXiv:2506.21630},
year = {2025}
}
备注
8 pages, 9 figures, 2025 IJCNN