如何快速上手 NTU VIRAL 数据集：无人机多传感器融合的完整指南 🚁

2026-02-05 05:22:09作者：庞眉杨Will

ntu_viral_dataset

项目地址：https://gitcode.com/gh_mirrors/nt/ntu_viral_dataset

NTU VIRAL 数据集是一个面向自主无人机的视觉-惯性-测距-激光雷达（Visual-Inertial-Ranging-Lidar）数据集，包含室内外多种场景下的高精度传感器数据，支持SLAM、多传感器融合等算法的开发与评估。

📌 数据集核心优势与传感器配置

NTU VIRAL 数据集的独特之处在于其全方位的传感器组合，模拟了自动驾驶级别的感知能力，同时兼顾无人机特有的空中动态特性。以下是数据集的核心传感器配置：

图1：搭载多传感器的无人机平台，包含激光雷达、相机、IMU和UWB模块

🔍 关键传感器参数

双3D激光雷达（Ouster OS1-16）：水平/垂直各一台，10Hz点云数据，支持环境三维建模
双目相机（uEye 1221 LE）：10Hz同步触发，鱼眼镜头（128°视场角），适合快速运动场景
高精度IMU（VectorNav VN100）：385Hz采样率，提供加速度、角速度和磁场数据
UWB定位系统（Humatic P440）：4个机载节点+3个锚点，68Hz测距频率，支持绝对定位辅助

详细传感器参数与ROS话题定义可参考：sensors_and_usage.md

🚀 数据集获取与环境搭建

1️⃣ 快速下载数据集

所有序列数据托管于NTU数据仓库，包含室内外多种场景（停车场、礼堂、广场等）：

场景名称	数据大小	持续时间	特点
eee_01	8.7 GB	398.7 s	室外停车场，开阔环境
nya_01	8.6 GB	396.3 s	室内礼堂，弱纹理场景
sbs_01	7.8 GB	354.2 s	校园广场，动态人群

完整下载链接与校验信息见：docs/NTU_VIRAL_Dataset_Submission.pdf

2️⃣ 环境配置步骤

# 克隆项目仓库
git clone https://gitcode.com/gh_mirrors/nt/ntu_viral_dataset
cd ntu_viral_dataset

# 安装依赖
pip install -r requirements.txt

3️⃣ 数据格式说明

ROS Bag文件：包含所有传感器原始数据与时间戳
校准参数：相机内参/外参、传感器间时空同步参数
真值数据：Leica MS60全站仪提供的厘米级轨迹（需注意IMU到棱镜的0.4m偏移补偿）

📊 核心功能与使用示例

✨ 多传感器数据融合演示

数据集提供多种传感器的同步数据，支持多模态融合算法开发。以下是三个典型场景的SLAM结果可视化：

图2：三种不同场景下的SLAM轨迹（左：室外停车场，中：校园广场，右：室内礼堂）

🔧 传感器校准指南

精确的传感器校准是算法性能的关键。数据集提供完整的校准流程与工具：

相机校准（MATLAB示例）

启动校准工具：stereoCameraCalibrator
加载棋盘格图像集（calib_stereo.zip）
选择鱼眼模型或针孔模型（推荐鱼眼模型处理大视场角）

图3：MATLAB stereoCameraCalibrator界面，支持自动检测棋盘格角点

校准参数转换工具：utils/restamp.py（处理ROS时间戳同步问题）

📈 算法评估流程

数据集提供标准化的评估脚本，支持绝对轨迹误差（ATE）计算：

数据预处理：

% 补偿IMU到棱镜的偏移
trans_B2prism = csvread('trans_B2prism.csv');
P_est = P_est + quatconv(Q_est, trans_B2prism);

轨迹对齐与误差计算：

[rot_align, trans_align] = traj_align(P_gt, P_est);  % 寻找最优变换
ATE = norm(rms(P_gt - (rot_align*P_est' + trans_align)'));  % 计算ATE

完整评估代码：ntuviral_evaluate.ipynb（Jupyter Notebook格式）

📚 实用资源与常见问题

🔗 关键工具与代码库

开源SLAM算法适配：
- VINS-Fusion改进版：支持UWB与激光雷达融合
- FAST-LIVO：快速激光-视觉-惯性里程计
数据集文档：
- 传感器校准手册：sensor_calibration.md
- 硬件使用指南：sensors_and_usage.md

❓ 常见问题解决

时间戳同步问题：
使用restamp.py工具修正激光雷达与IMU的时间抖动：
```
python utils/restamp.py --input_bag raw.bag --output_bag synced.bag
```

真值偏移补偿：
棱镜到IMU的0.4m偏移需通过姿态估计转换：

# 体坐标系到棱镜坐标系转换
prism_pos = imu_pos + quaternion_rotate(imu_quat, [0.293, 0.012, 0.273])

📝 引用与许可证

如果使用本数据集，请引用以下论文：

@article{nguyen2022ntu,
  title     = {NTU VIRAL: A Visual-Inertial-Ranging-Lidar Dataset, From an Aerial Vehicle Viewpoint},
  author    = {Nguyen, Thien-Minh and Yuan, Shenghai and Cao, Muqing},
  journal   = {The International Journal of Robotics Research},
  year      = {2022}
}