ShotcreteDepth: Um Conjunto de Dados Bimodal para Percepção Robótica Robusta de Profundidade em Ambientes de Construção com Concreto Projetado

Resumo

Apresentamos o ShotcreteDepth, um conjunto de dados bimodal do domínio da construção civil que captura tanto o processo ativo de shotcrete quanto ambientes gerais de construção. O conjunto de dados compreende imagens estéreo RGB e nuvens de pontos LiDAR adquiridas em condições adversas do mundo real, incluindo alta turbidez e baixa iluminação. Tais condições afetam negativamente as medições dos sensores, resultando em observações incompletas e ruidosas que impõem desafios significativos para sistemas de percepção em aplicações autônomas. Juntamente com o conjunto de dados, disponibilizamos uma ferramenta de anotação leve projetada para rotulagem eficiente em termos de tempo de nuvens de pontos LiDAR. O ShotcreteDepth consiste em 11.252 amostras de dados temporalmente sincronizadas, das quais 220 são anotadas para fins de avaliação. O conjunto de dados apoia pesquisas em correspondência estéreo, completamento de profundidade e estimativa de profundidade sob condições que refletem de perto as complexidades operacionais encontradas em ambientes industriais. Repositório do projeto: https://github.com/dtu-pas/shotcrete-depth

English

We introduce ShotcreteDepth, a bi-modal dataset from the construction domain that captures both an active shotcreting process and general construction environments. The dataset comprises stereo RGB imagery and LiDAR point clouds acquired under harsh real-world conditions, including high turbidity and poor illumination. Such conditions adversely affect sensor measurements, leading to incomplete and noisy observations that pose significant challenges for perception systems in autonomous applications. Alongside the dataset, we release a lightweight annotation tool designed for time-efficient labeling of LiDAR point clouds. ShotcreteDepth consists of 11,252 temporally synchronized data samples, of which 220 are annotated for evaluation purposes. The dataset supports research in stereo matching, depth completion, and depth estimation under conditions that closely reflect the operational complexities found in industrial settings. Project repository: https://github.com/dtu-pas/shotcrete-depth