論文の概要: SmartPNT-MSF: A Multi-Sensor Fusion Dataset for Positioning and Navigation Research
- arxiv url: http://arxiv.org/abs/2507.19079v2
- Date: Thu, 31 Jul 2025 05:59:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-01 13:02:07.672422
- Title: SmartPNT-MSF: A Multi-Sensor Fusion Dataset for Positioning and Navigation Research
- Title（参考訳）: SmartPNT-MSF:位置決めとナビゲーション研究のためのマルチセンサフュージョンデータセット
- Authors: Feng Zhu, Zihang Zhang, Kangcheng Teng, Abduhelil Yakup, Xiaohong Zhang,
- Abstract要約: このデータセットは、グローバルナビゲーション衛星システム(GNSS)、慣性計測ユニット(IMU)、光学カメラ、LiDARなど、複数のセンサーからのデータを統合する。
データ収集と処理のための標準化されたフレームワークは、一貫性とスケーラビリティを確保し、大規模な分析を可能にする。
都市部、キャンパス、トンネル、郊外環境など、様々な現実のシナリオをカバーしている。
- 参考スコア（独自算出の注目度）: 5.758433879018026
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-precision navigation and positioning systems are critical for applications in autonomous vehicles and mobile mapping, where robust and continuous localization is essential. To test and enhance the performance of algorithms, some research institutions and companies have successively constructed and publicly released datasets. However, existing datasets still suffer from limitations in sensor diversity and environmental coverage. To address these shortcomings and advance development in related fields, the SmartPNT Multisource Integrated Navigation, Positioning, and Attitude Dataset has been developed. This dataset integrates data from multiple sensors, including Global Navigation Satellite Systems (GNSS), Inertial Measurement Units (IMU), optical cameras, and LiDAR, to provide a rich and versatile resource for research in multi-sensor fusion and high-precision navigation. The dataset construction process is thoroughly documented, encompassing sensor configurations, coordinate system definitions, and calibration procedures for both cameras and LiDAR. A standardized framework for data collection and processing ensures consistency and scalability, enabling large-scale analysis. Validation using state-of-the-art Simultaneous Localization and Mapping (SLAM) algorithms, such as VINS-Mono and LIO-SAM, demonstrates the dataset's applicability for advanced navigation research. Covering a wide range of real-world scenarios, including urban areas, campuses, tunnels, and suburban environments, the dataset offers a valuable tool for advancing navigation technologies and addressing challenges in complex environments. By providing a publicly accessible, high-quality dataset, this work aims to bridge gaps in sensor diversity, data accessibility, and environmental representation, fostering further innovation in the field.
- Abstract（参考訳）: 高精度ナビゲーションと位置決めシステムは、ロバストかつ連続的なローカライゼーションが不可欠である自動運転車や移動体マッピングの応用に不可欠である。
アルゴリズムの性能をテストし、強化するために、いくつかの研究機関や企業は連続してデータセットを構築し、公開している。
しかし、既存のデータセットは、センサーの多様性と環境カバレッジの制限に悩まされている。
これらの欠点に対処するため,SmartPNT Multisource Integrated Navigation, Positioning, Attitude Datasetを開発した。
このデータセットは、GNSS(Global Navigation Satellite Systems)、IMU(Inertial Measurement Units)、光学カメラ、LiDARなどの複数のセンサーからのデータを統合し、マルチセンサー融合と高精度ナビゲーションの研究のためのリッチで汎用的なリソースを提供する。
データセットの構築プロセスは、センサーの構成、座標系の定義、カメラとLiDARの両方のキャリブレーション手順を含む、徹底的に文書化されている。
データ収集と処理のための標準化されたフレームワークは、一貫性とスケーラビリティを確保し、大規模な分析を可能にする。
VINS-MonoやIO-SAMといったSLAMアルゴリズムを用いた検証は、高度なナビゲーション研究にデータセットの適用性を実証している。
都市部、キャンパス、トンネル、郊外環境など、さまざまな現実のシナリオをカバーするこのデータセットは、ナビゲーション技術を進化させ、複雑な環境における課題に対処するための貴重なツールを提供する。
この研究は、広くアクセス可能な高品質なデータセットを提供することによって、センサの多様性、データアクセシビリティ、環境表現のギャップを埋めることを目的としており、この分野におけるさらなるイノベーションを促進する。
関連論文リスト
- TUM2TWIN: Introducing the Large-Scale Multimodal Urban Digital Twin Benchmark Dataset [90.97440987655084]
都市デジタルツインズ(UDT)は、都市管理と多様なソースからの複雑な異種データの統合に欠かせないものとなっている。
これらの課題に対処するために、最初の総合的マルチモーダルなUrban Digital TwinベンチマークデータセットTUM2TWINを紹介する。
このデータセットには、地理的にセマンティックに整合した3Dモデルとネットワーク、およびさまざまな地球、モバイル、航空、衛星観測結果、約10,000ドル以上のデータサブセット、そして現在767GBのデータが含まれている。
論文 参考訳（メタデータ） (2025-05-12T09:48:32Z) - Enabling High Data Throughput Reinforcement Learning on GPUs: A Domain Agnostic Framework for Data-Driven Scientific Research [90.91438597133211]
我々は、強化学習の適用において重要なシステムのボトルネックを克服するために設計されたフレームワークであるWarpSciを紹介する。
我々は、CPUとGPU間のデータ転送の必要性を排除し、数千のシミュレーションを同時実行可能にする。
論文 参考訳（メタデータ） (2024-08-01T21:38:09Z) - Bosch Street Dataset: A Multi-Modal Dataset with Imaging Radar for Automated Driving [31.425265308487088]
ボッシュストリートデータセット(BSD)は、高度自動運転(HAD)と高度運転支援システム(ADAS)の研究を促進することを目的とした、新しいマルチモーダルな大規模データセットである。
BSDは、高解像度イメージングレーダー、ライダー、カメラセンサーのユニークな統合を提供し、前例のない360度カバレッジを提供する。
論文 参考訳（メタデータ） (2024-06-24T14:40:56Z) - Towards Scenario- and Capability-Driven Dataset Development and Evaluation: An Approach in the Context of Mapless Automated Driving [0.0]
本稿では,自動走行における環境認識のためのデータセット開発プロセスに焦点を当てる。
本稿では,データセット開発におけるシナリオと能力に基づくアプローチを提案する。
この方法論を、既存のレーン検出データセットの幅広い範囲に適用することにより、現在のデータセットにおける重要な制限を特定します。
論文 参考訳（メタデータ） (2024-04-30T15:52:49Z) - MTMMC: A Large-Scale Real-World Multi-Modal Camera Tracking Benchmark [63.878793340338035]
マルチターゲットマルチカメラトラッキングは、複数のカメラからのビデオストリームを使用して個人を特定し、追跡する重要なタスクである。
このタスクの既存のデータセットは、制御されたカメラネットワーク設定内で合成または人工的に構築される。
我々は16台のマルチモーダルカメラで2つの異なる環境でキャプチャされた長いビデオシーケンスを含む実世界の大規模データセットであるMTMMCを紹介する。
論文 参考訳（メタデータ） (2024-03-29T15:08:37Z) - Multiple and Gyro-Free Inertial Datasets [1.989354417511267]
慣性ナビゲーションシステム(INS)は3つの加速度計とジャイロスコープを使用してプラットフォームの位置、速度、方向を決定する。
ロボット工学、自律プラットフォーム、モノのインターネットなど、INSには数え切れないほどの応用がある。
ジャイロフリーINS (GFINS) とMIMU (Multiple Inertial Measurement Unit) アーキテクチャにはデータセットがない。
このデータセットは35時間の慣性データと対応する真理軌道を含む。
論文 参考訳（メタデータ） (2024-03-21T17:36:53Z) - Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol
Particles for Frontier Exploration [55.41644538483948]
本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。
ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。
本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
論文 参考訳（メタデータ） (2023-04-27T20:21:18Z) - TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual
Environments [84.6017003787244]
本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。
既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
論文 参考訳（メタデータ） (2022-08-16T20:46:08Z) - The Hilti SLAM Challenge Dataset [41.091844019181735]
構築環境は、同時局所化とマッピング(SLAM)アルゴリズムに難しい問題を引き起こす。
本研究を支援するために,Hilti SLAM Challengeデータセットという新しいデータセットを提案する。
各データセットには正確な基底真理が含まれており、SLAM結果を直接テストすることができる。
論文 参考訳（メタデータ） (2021-09-23T12:02:40Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳（メタデータ） (2020-01-13T04:41:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。