轮式载具轮毂惯性测量单元数据集：面向地面机器人及自动驾驶车辆的多传感器融合导航新基准

《Scientific Data》：Wheel-Mounted Inertial Datasets

为解决轮毂惯性测量单元(Wheel-mounted IMU)公共数据缺失问题，研究团队开展了“轮毂惯性数据集(Wheel-Mounted Inertial Datasets, WMID)”研究。该工作通过配备14个IMU的乘用车和全向机器人平台，采集了总计490分钟的轮毂惯性数据及真实轨迹，建立了首个公开的轮毂IMU数据集。该数据集为开发基于模型和数据驱动的轮毂惯性导航算法提供了关键资源，特别适用于GNSS拒止环境下的精确定位研究。

　　

在自动驾驶和移动机器人领域，精确的定位与导航是实现智能化的核心挑战。惯性测量单元(Inertial Measurement Unit, IMU)作为能够独立提供运动信息的传感器，在GPS信号中断的隧道、城市峡谷等复杂环境中发挥着不可替代的作用。然而，传统将IMU固定于车辆底盘的方式存在一个固有缺陷：随着时间推移，惯性传感器的误差会不断累积，导致位置估计产生显著漂移，这种现象严重制约了纯惯性导航的长期可靠性。

近年来，一种创新的解决方案逐渐受到关注——将IMU直接安装在车轮上。这种轮毂惯性测量单元(Wheel-mounted IMU)的配置方式，能够更有效地抑制惯性漂移。其原理在于，旋转的车轮为IMU提供了一个持续变化的动态参考系，这有助于分离和补偿传感器中的某些系统性误差。尽管轮毂IMU的应用潜力巨大，但该领域的发展却面临一个关键瓶颈：缺乏公开、大规模且包含真实轨迹标注的轮毂IMU数据集。现有知名数据集如KITTI、Euroc等均未包含轮毂IMU数据，这使得研究人员难以对不同算法进行基准测试、比较和验证，阻碍了模型驱动和数据驱动方法在该方向的创新。

为了填补这一重要空白，由以色列海法大学和斯洛伐克日利纳大学的研究人员联合团队在《Scientific Data》上发表了题为“轮毂惯性数据集(Wheel-Mounted Inertial Datasets)”的论文，并开源了首个综合性轮毂惯性数据集(WMID)。该研究旨在为学术界和工业界提供一个高质量、多平台的基准数据资源，推动轮毂惯性导航技术的进步。

研究人员为开展此项数据收集工作，主要依托了两个关键的技术平台和方法。首先是多传感器集成与同步技术：研究采用了两种不同类型的移动平台——一辆配备9个Xsens DOT IMU的乘用车（斯柯达Roomster）和一个配备5个IMU（4个STMicroelectronics ASM330LHBG和1个InvenSense MPU9250）的全向移动机器人。在乘用车上，每个车轮安装了两个IMU（一个在中心，一个在径向），车顶安装了一个高精度Inertial Labs MRU-P单元用于提供真实轨迹（GNSS-RTK）。移动机器人则通过机载WiFi路由器和网络时间协议(NTP)实现所有传感器模块的时钟同步。其次是严谨的数据采集协议与质量控制：为确保数据的一致性和可靠性，研究制定了标准化的记录流程，包括静态初始化、动态数据采集和静态结束阶段，并对所有传感器数据进行了完整性检查和异常值过滤，确保了数据集的准确与可用。

平台与传感器配置

本研究的数据采集基于两个异构平台。乘用车平台代表大型、人工驾驶的车辆，在城市道路环境中运行，其阿克曼转向几何特性引入了独特的运动学约束。移动机器人平台则代表小型、自主操作的机器人，在受控的室外环境中运行，其麦克纳姆轮实现了全向移动能力。这种双平台设计使得数据集能够捕捉从城市驾驶到精确机器人操纵的广泛动态行为和多尺度运动模式。

数据集内容与统计

WMID数据集总共包含73.75分钟的有效记录，分摊到每个IMU上，乘用车部分贡献52.3分钟，移动机器人部分贡献21.4分钟。考虑到所有14个IMU，数据集总计提供了578分钟（约9.6小时）的惯性读数。每个数据序列都配备了高精度的地面真实轨迹，乘用车的真实轨迹由集成GNSS实时动态定位(RTK)的MRU-P提供，定位精度优于30厘米；移动机器人的真实轨迹则由ArduSimple simpleRTK3B Pro GNSS RTK接收机提供，定位误差低于±0.06米。数据文件以CSV格式存储，结构清晰，包含了时间戳、三轴加速度计、三轴陀螺仪以及相关的元数据（如GNSS坐标、姿态角等）。

科学公式与理论基础

论文提供了轮毂IMU导航的严密数学公式。它推导了轮毂IMU测量值与车辆底盘运动状态之间的运动学关系。关键点在于，安装在旋转车轮上的IMU所测得的角速度ω_i^w和线性加速度a_i^w，包含了车轮自转Ω_i、转向角α_i以及车辆整体运动（速度v₀，角速度ω_z0）的耦合信息。通过坐标变换（例如，利用车轮相位角φ(t)将测量值从车轮坐标系(B-frame)转换到车体坐标系(V-frame)），可以将轮毂IMU数据融入标准的惯性导航系统(INS)机械编排算法中，从而估算车辆的位置、速度和姿态。

技术验证与数据质量

数据质量通过严格的记录协议和后处理检查得以保证。例如，每次乘用车试验都以短暂的静止阶段开始和结束，用于验证所有传感器在静止状态下读数的稳定性和同步性。移动机器人则通过NTP服务器确保各模块间的时间同步。所有数据文件均经过检查，确保样本数量与试验时长匹配，且无时间戳缺失或记录损坏。传感器读数（如加速度、角速度）也根据物理阈值进行了合理性检查，并排除了GNSS信号质量差的试验段。

数据记录与可访问性

数据集已保存在Figshare仓库（登录号: 10.6084/m9.figshare.27129999）和团队的GitHub仓库（WID Repository）中，完全开放获取。数据按平台（乘用车/移动机器人）和试验次文件夹组织，便于用户按需访问。此外，论文还提供了用于重现GNSS-RTK轨迹的示例代码，方便研究者快速上手和验证。

综上所述，这项研究成功地创建并发布了首个大规模、多平台、包含高质量真实轨迹的轮毂惯性测量单元公共数据集WMID。该数据集的核心价值在于其独特性与全面性，它不仅包含了车轮上的惯性数据，还提供了车体上的参考数据，从而为理解单个车轮动力学与整车运动学之间的关系提供了前所未有的数据支持。WMID数据集的发布具有多重重要意义：它为开发和应用基于轮毂IMU的先进导航算法（如轮毂惯性导航系统Wheel-INS、车轮打滑检测、路面相互作用建模等）奠定了坚实的基础；它特别有助于解决GNSS信号拒止环境下的持续定位问题，对提升自动驾驶车辆和移动机器人的可靠性与安全性至关重要；同时，该数据集也极大地促进了数据驱动方法（如深度学习）在惯性导航领域的应用，因为这类方法严重依赖于高质量、多样化的训练数据。可以预见，WMID将成为轮毂惯性传感研究领域的一个关键基准资源，激发新的研究思路，并加速该技术从实验室走向实际应用。