【科研之路】行人惯性里程计相关数据集整理汇总

数据集基本信息汇总

Dataset	Year	Download	IMU Carrier	Sample Frequency	Scale (Total)	Number of Subjects	Number of Sequences(Total)	Ground Truth	Motion Context
RIDI (open)	2017	RIDI	Lenovo Phab2 Pro(Google Tango phone)	200Hz		10	98	Lenovo Phab2 Pro(Google Tango phone)	4 attachments: leg pocket, bag, hand, body
OxIOD	2018	OxIOD	iPhone 5/6, 7 Plus, Nexus 5	100Hz	14.7h/42.6km	5	158	Vicon	4 attachments: handheld, pocket, handbag, trolley 3 speeds: Normally Walking(1m/s左右), Slowly Walking(0.5m/s左右), Running(1.5m/s左右)
RoNIN (open-RIDI同作者)	2019	RoNIN	Samsung Galaxy S9, Google Pixel 2 XL	200Hz	42.7h	100 (seen/unseen)	276	Asus Zenfone AR(Google Tango phone)	Attaching devices naturally
IDOL	2020	IDOL	iPhone 8	100Hz	20+h	15 (known/unknown)	84	Kaarta Stencil	Attaching devices naturally（不完全自然 + 固定姿态） 3 buildings
CTIN（未公开）	2021		Samsung Note, Galaxy	200Hz		5	100	Google ARCore	Attaching devices naturally
NILoc (open-RIDI/RoNIN同作者)	2022	NILoc		200Hz	53.1h/143.6km			Asus Zenfone AR(Google Tango phone)	Attaching devices naturally 3 buildings

数据集详细信息

RIDI

ground truth获取方法： We have used a Google Tango phone, Lenovo Phab2 Pro, to record linear accelerations, angular velocities, gravity directions, device orientations (via Android APIs), and 3D camera poses. The camera poses come from the Visual Inertial Odometry system on Tango, which is accurate enough for our purpose (less than 1 meter positional error after 200 meters’ tracking).
开源数据采集APP（单Tango设备）：	https://github.com/higerra/TangoIMURecorder

OxIOD

ground truth获取方法：

视觉运动捕捉系统(Vicon)以提供高精度全姿态ground truth(定位误差：0.01m，定向误差：0.1°)用于目标定位和跟踪而闻名 Vicon System： 部署：10个Bonita B10 相机包围数据收集实验区域 帧速率：250 fps 镜头工作范围：13m 分辨率：100万像素(1024*1024)。 面积：5m X 8m 精度：低于0.5mm 大范围新环境： 伪ground truth：Google Tango Tablet 面积： floor1： 1650左右 floor4：2475左右 采集：智能手机分别放在手里、口袋里和手提包里，而Tango设备则安装在参与者的胸部，以捕捉精确的轨迹。

RoNIN

ground truth获取方法：	作者提出了一种双设备数据采集原则，使用系带将 3D 跟踪手机 Asus Zenfone AR(Google Tango phone) 连接到身体上，让受试者自由处理另一部手机以进行 IMU 数据采集。 除了可以自然地身体运动和手机处理之外，该原则展示了运动学习任务性质的两个重要变化： 仅针对连接到系带的 3D 跟踪设备获得位置ground-truth值，该任务是估计身体的轨迹而不是 IMU 设备。 该数据提供了身体航向估计的新任务。 标准传感器融合算法适用于设备方向估计，然而，身体方向更具挑战性，因为身体方向与设备方向不同，具体取决于一个人携带手机的方式。 作者假设 3D 跟踪设备方向与身体方向相同来收集身体航向的ground-truth数据，并且由于系带的未对准而引入了恒定的偏移量。 作者要求每个受试者在前 5 秒内直线行走，然后将这个偏移角度估计为平均运动航向与跟踪手机航向之间的差。（💡对齐Tango参考坐标系和世界坐标系？："start calibration"）
其他相关说明：	同时记录了磁力计和气压计的测量值。 作者对该系统进行了定量评估，发现“ground truth”轨迹在 10 分钟的活动后漂移小于 0.3m。同样，来自 Android 系统 API 的设备方向估计漂移小于 20 度，该系统进一步将其降低到小于 10 度，作者在训练期间将其视为ground-truth。 作者将数据集分为两组：(seen/unseen) 第 1 组中的 85 名受试者和第 2 组中的剩余 15 名受试者。 第 1 组进一步分为训练、验证和测试子集，而第 2 组用于测试模型对未见过的人类的泛化能力。
开源数据采集APP：	IMU数据（Android设备） Ground Truth数据（Tango设备） Tango采用的是“参照定位”，即相对于“初始位置”的一种定位方式，不涉及到卫星定位。它根据硬件设备的传感器，比如重力传感器、IMU陀螺仪等，获取移动设备相对于初始位置的“位移”和“旋转角度”，自己构建了一个“参照坐标系”，因此有较高的准确度。

IDOL

ground truth获取方法：	数据是使用 LiDAR-Visual-Inertial SLAM 系统 (Kaarta Stencil) 作为ground-truth收集的，iPhone 8 与 Stencil刚性连接(限制了自然运动)。 Regarding the transformation between the frames, the user would need to calibrate the extrinsics. We ran Kalibr on our data to obtain this rotation matrix to convert from phone to ground truth frame: [[-0.999870, 0.006520, -0.014725], [-0.006843, -0.999734, 0.022022], [-0.014578, 0.022120, 0.999649]] 作者描述：Approximately, this alignment can be visualized as phone x -> global -x, phone y -> global -y, phone z -> global z. （实验发现）phone_acc _x -> global_acc_x； phone_acc _y -> global_acc _y； phone_acc _z -> - global_acc _z? （实验发现：与描述一致）phone_gyro _x -> - global_gyro_x； phone_gyro _y -> - global_gyro _y； phone_gyro _z -> global_gyro _z 加速度：phone(单位：9.8m/s^2) VS stencil(单位：m/s^2) => phone * 9.8 = stencil
同步校准方式：	每一次都以用户在空中快速推压数据采集设备开始和结束，在IMU数据中产生“同步尖峰”。该峰值用于执行iPhone和模板数据的时间对齐，因为我们发现，由于采样率较高，这种方法比依赖设备之间的ntp同步时间戳稍微更精确。可以使用峰值检测算法或简单地截断轨迹的开始/结束来省略这些伪影，尽管我们将它们保留在数据集中，因为它们对结果的影响可以忽略不计。
❓现有问题：	As you described in another reply [https://github.com/Questions about dataset setup#1#issuecomment-787528558]. The global reference frame is not gravity-aligned. And there is some drift on the z-axis of the global frame. So, I am confused that the position is global consistency in the whole dataset(in the same building)? By the way, could you please give the definition of the ground truth quaternion and pos? (Is the quaternion represent the rotation from the stencil IMU frame to the global frame, and the pos represent the stencil IMU position in the global frame?)

NILoc

ground truth获取方法：	ground truth：（平放收集）具有内置视觉惯性 SLAM 功能的手持式 3D 跟踪手机（Google Tango, Asus Zenfone AR），提供ground-truth的相对运动，其中 Z 轴与重力对齐； IMU数据：（自然状态收集）一个标准的智能手机，在自然的状态下（例如放在口袋里、手上或用于通话等）记录 IMU 传感器数据。 数据处理 我们利用 Tango 区域描述文件 [6] 将真实轨迹与公共坐标系对齐，然后手动与平面图对齐。 测试数据 随机选择六分之一的轨迹作为测试数据，平均时长为 13.3 分钟。 通过从每个测试序列中随机裁剪三个子序列（100 米）来形成一组短的固定长度子序列进行测试
统计数据：
轨迹可视化图：