WildCross：野外环境下基于跨模态的大规模基准用于地点识别与度量深度估计
计算机视觉与模式识别
2026-03-03 v1
摘要
近年来，随着对非结构化自然环境中机器人解决方案需求的增长，以及对2D和3D场景理解的日益关注，现有机器人数据集主要在结构化城市环境中采集，对于应对复杂非结构化自然环境所面临的挑战不足。为填补这一空白，我们提出WildCross，一个用于大规模自然环境中地点识别和度量深度估计的跨模态基准。WildCross包含超过47.6万个顺序RGB帧，配有半稠密深度和表面法线标注，每个帧都与准确的6自由度姿态和同步的稠密激光子图对齐。我们对视觉、激光和跨模态地点识别，以及度量深度估计进行了全面实验，展示了WildCross作为多模态机器人感知任务的具有挑战性的基准价值。我们提供了代码仓库和数据集访问地址：https://csiro-robotics.github.io/WildCross。
引用
@article{arxiv.2603.01475,
title = {WildCross: A Cross-Modal Large Scale Benchmark for Place Recognition and Metric Depth Estimation in Natural Environments},
author = {Joshua Knights and Joseph Reid and Kaushik Roy and David Hall and Mark Cox and Peyman Moghadam},
journal= {arXiv preprint arXiv:2603.01475},
year = {2026}
}
备注
IEEE International Conference on Robotics & Automation (ICRA) 2026