[论文解读] The S3LI Vulcano Dataset: A Dataset for Multi-Modal SLAM in Unstructured Planetary Environments

Riccardo Giubilato, Marcus Gerhard Müller+4 more|arXiv (Cornell University)|Jan 27, 2026

Robotics and Sensor-Based Localization被引用 0

一句话总结

引入在 Vulcano 岛上收集的 S3LI Vulcano 多模态 SLAM 数据集， featuring RGB 相机、固态 LiDAR、IMU 以及差分 GNSS，用于在非结构化的类星球环境中基准测试 SLAM 与地点识别。

ABSTRACT

We release the S3LI Vulcano dataset, a multi-modal dataset towards development and benchmarking of Simultaneous Localization and Mapping (SLAM) and place recognition algorithms that rely on visual and LiDAR modalities. Several sequences are recorded on the volcanic island of Vulcano, from the Aeolian Islands in Sicily, Italy. The sequences provide users with data from a variety of environments, textures and terrains, including basaltic or iron-rich rocks, geological formations from old lava channels, as well as dry vegetation and water. The data (rmc.dlr.de/s3li_dataset) is accompanied by an open source toolkit (github.com/DLR-RM/s3li-toolkit) providing tools for generating ground truth poses as well as preparation of labelled samples for place recognition tasks.

研究动机与目标

• 促进在类星球式、非结构化自然环境中 SLAM 与地点识别的开发与基准测试。
• 提供结合 RGB 图像、固态 LiDAR、IMU 和差分 GNSS 的多模态数据的 ground truth。
• 提供标定、后处理工具和示例脚本，以在数据上运行前沿 SLAM 方法。
• 突出在非结构化地形中回环检测、位姿重定位和长轨迹的挑战。

提出的方法

• 描述 S3LI Vulcano 传感器组件（立体 RGB 相机、带 MEMS 反射镜的固态 LiDAR、IMU、GNSS）及其基于 ROS 的数据采集工作流。
• 对传感器进行标定（相机立体标定、Kalibr 用于 IMU-相机外参）并与精密时间协议（PTP）同步。
• 使用 RTKLIB 结合附近基站离线生成差分 GNSS 地面真实值，以获得高精度位姿参考。
• 发布包含 ROS bagfile 的数据集以及配套工具包，生成地面真实位姿并为地点识别任务准备带标签的样本。
• 提供现有 SLAM 算法的示例运行，以演示数据集在该数据上的可用性和性能。

Figure 1: Impression of the S3LI (RGB S tereo, S olid- S tate L iDAR, I nertial) sensor setup, captured on the Gran Cratere della Fossa , the active center of Vulcano, vulcan from the homonymous island from the Aeolian Islands, Sicily. On the setup it is visible the white GNSS antenna, computer unit

实验结果

研究问题

• RQ1 多模态感知模态（RGB + LiDAR + IMU + GNSS）如何提升在非结构化类星球环境中的 SLAM 鲁棒性？
• RQ2 在高度自然、非人类活动的地形如火山景观中，回环检测和重定位面临哪些挑战？
• RQ3 数据集是否可用于在多种地形类型（岩石、沙子、植被、水域）下训练与评估多模态地点识别？
• RQ4 使用带 MEMS 镜的固态 LiDAR 相较于传统旋转 LiDAR 对感知距离和建图质量有何影响？

主要发现

• 数据集提供七个序列，涵盖玄武岩岩石、 lava 结构、沙地、水域和植被，适用于多样化的 SLAM 场景。
• 通过离线差分 GNSS 解决方案提供地面真实值，支持高精度评估。
• 一个互补的开源工具包可生成 6D 地面真实位姿和带标签的地点识别样本。
• 对比的 SLAM 方法说明数据集在视觉与视觉-惯性 SLAM 在非结构化条件下的适用性。
• 数据包含 RGB 图像、固态 LiDAR 扫描、IMU 数据和 GNSS 测量，且时间同步紧密（PTP）。

Figure 2: Graphical examples of associated RGB images and LiDAR scans from the dataset sequences. For each sequence, 3 samples of corresponding images and scans are provided