TEMPO-VINE: A Multi-Temporal Sensor Fusion Dataset for Localization and Mapping in Vineyards

📄 arXiv: 2512.04772v1 📥 PDF

作者: Mauro Martini, Marco Ambrosio, Judith Vilella-Cantos, Alessandro Navone, Marcello Chiaberge

分类: cs.RO, eess.SY

发布日期: 2025-12-04

💡 一句话要点

TEMPO-VINE：用于葡萄园定位与建图的多时序传感器融合数据集

🎯 匹配领域: 支柱三：空间感知 (Perception & SLAM)

关键词: 葡萄园 数据集 多模态传感器融合 SLAM 农业机器人 精准农业 自主导航 定位与建图

📋 核心要点

  1. 现有农业机器人研究缺乏在真实、复杂葡萄园环境下的通用benchmark，限制了自主系统的发展。
  2. TEMPO-VINE数据集提供多模态传感器数据，包含不同季节、植被状态和环境条件下的葡萄园场景。
  3. 该数据集旨在促进传感器融合、SLAM和位置识别算法在农业机器人领域的应用和性能评估。

📝 摘要（中文）

近年来，精准农业正经历着以自动化为核心的突破性创新。然而，机器人和自主导航领域的研究通常依赖于受控仿真或孤立的现场试验。缺乏现实的通用基准是稳健的自主系统在复杂农业环境中普及的重要限制。葡萄园因其动态特性而带来重大挑战，并日益受到学术界和工业界对自动化感兴趣的利益相关者的关注。在此背景下，我们推出了TEMPO-VINE数据集，这是一个大规模多时序数据集，专门用于评估传感器融合、同步定位与建图（SLAM）以及在实际葡萄园环境中进行位置识别的技术。TEMPO-VINE是第一个多模态公共数据集，它汇集了来自不同价格水平的异构激光雷达、AHRS、RTK-GPS和相机的数据，这些数据来自真实的棚架和凉棚葡萄园，其中多个行的长度超过100米。在这项工作中，我们通过为研究人员提供全面的数据收集和不同季节、植被生长阶段、地形和天气条件下的地面实况轨迹，解决了农业数据集领域的一个关键空白。具有多次运行和重新访问的序列路径将促进农业领域传感器融合、定位、建图和位置识别解决方案的开发。数据集、处理工具和基准测试结果将在接受后在专用网页上提供。

🔬 方法详解

问题定义：论文旨在解决农业机器人研究中缺乏真实葡萄园环境数据集的问题。现有的研究通常依赖于仿真或孤立的实验，难以评估算法在实际复杂环境下的性能，阻碍了自主农业系统的发展。葡萄园环境的动态性和复杂性（如季节变化、植被生长）进一步加剧了这一问题。

核心思路：论文的核心思路是构建一个大规模、多模态、多时序的葡萄园数据集，包含多种传感器数据（LiDAR、相机、IMU、GPS）和不同环境条件下的数据。通过提供真实场景的数据和精确的地面实况，为研究人员提供一个通用的benchmark，促进相关算法的开发和评估。

技术框架：TEMPO-VINE数据集的构建流程主要包括以下几个阶段：1) 数据采集：使用多种传感器（包括不同价位的LiDAR、AHRS、RTK-GPS和相机）在真实的棚架和凉棚葡萄园中采集数据，覆盖不同的季节、植被生长阶段、地形和天气条件。2) 数据处理：对采集到的数据进行预处理，包括传感器校准、数据同步和噪声滤除等。3) 地面实况生成：使用RTK-GPS等高精度定位设备生成精确的地面实况轨迹。4) 数据集发布：将处理后的数据和地面实况以标准格式发布，并提供相应的处理工具和基准测试结果。

关键创新：TEMPO-VINE数据集的主要创新点在于：1) 它是第一个专门针对葡萄园环境的大规模多模态数据集，填补了农业机器人数据集领域的空白。2) 它包含了多时序数据，覆盖了不同的季节、植被生长阶段和环境条件，能够更好地模拟真实葡萄园环境的动态性。3) 它提供了多种传感器数据，包括不同价位的LiDAR，能够满足不同研究需求。

关键设计：数据集的关键设计包括：1) 选择具有代表性的葡萄园场景，包括棚架和凉棚两种结构。2) 采集不同季节和植被生长阶段的数据，以模拟葡萄园的动态变化。3) 使用多种传感器进行数据采集，以提供多模态信息。4) 使用高精度RTK-GPS生成精确的地面实况轨迹。5) 提供数据处理工具和基准测试结果，方便研究人员使用和评估数据集。

📊 实验亮点

TEMPO-VINE数据集是首个针对葡萄园环境的大规模多模态数据集，包含多种传感器数据和不同环境条件下的数据。该数据集的发布将为农业机器人研究提供一个通用的benchmark，促进传感器融合、SLAM和位置识别算法在农业领域的应用和性能评估。通过在该数据集上进行实验，研究人员可以评估算法在真实葡萄园环境下的性能，并与其他算法进行比较，从而推动相关技术的发展。

🎯 应用场景

TEMPO-VINE数据集可广泛应用于农业机器人、精准农业、自主导航等领域。该数据集能够促进葡萄园自主导航、作物监测、产量预测等应用的发展。通过在该数据集上进行算法开发和评估，可以提高农业机器人在复杂环境下的适应性和鲁棒性，从而提高农业生产效率和降低成本。未来，该数据集可以扩展到其他类型的农田环境，为更广泛的农业机器人研究提供支持。

📄 摘要（原文）

In recent years, precision agriculture has been introducing groundbreaking innovations in the field, with a strong focus on automation. However, research studies in robotics and autonomous navigation often rely on controlled simulations or isolated field trials. The absence of a realistic common benchmark represents a significant limitation for the diffusion of robust autonomous systems under real complex agricultural conditions. Vineyards pose significant challenges due to their dynamic nature, and they are increasingly drawing attention from both academic and industrial stakeholders interested in automation. In this context, we introduce the TEMPO-VINE dataset, a large-scale multi-temporal dataset specifically designed for evaluating sensor fusion, simultaneous localization and mapping (SLAM), and place recognition techniques within operational vineyard environments. TEMPO-VINE is the first multi-modal public dataset that brings together data from heterogeneous LiDARs of different price levels, AHRS, RTK-GPS, and cameras in real trellis and pergola vineyards, with multiple rows exceeding 100 m in length. In this work, we address a critical gap in the landscape of agricultural datasets by providing researchers with a comprehensive data collection and ground truth trajectories in different seasons, vegetation growth stages, terrain and weather conditions. The sequence paths with multiple runs and revisits will foster the development of sensor fusion, localization, mapping and place recognition solutions for agricultural fields. The dataset, the processing tools and the benchmarking results will be available at the dedicated webpage upon acceptance.