Wir präsentieren einen anspruchsvollen Datensatz, ChangeSim, der sich auf die Online-Szeneänderungserkennung (SCD) und mehr fokussiert. Die Daten wurden in foto-realitären Simulationsumgebungen gesammelt, bei denen sowohl umweltbedingte nicht-zielgerichtete Variationen wie Lufttrübungen und Lichtverhältnisänderungen als auch zielgerichtete Objektänderungen in industriellen Innenräumen auftreten. Durch die Datensammlung in Simulationen sind multimodale Sensordaten und präzise Ground-Truth-Labels erreichbar, wie zum Beispiel RGB-Bilder, Tiefenbilder, semantische Segmentierung, Änderungssegmentierung, Kamerapositionen und 3D-Rekonstruktionen. Während vorherige Online-SCD-Datensätze Modelle anhand gut ausgerichteter Bildpaare evaluieren, bietet ChangeSim auch rohe unverbundene Sequenzen, die eine Möglichkeit bieten, ein Online-SCD-Modell von Anfang bis Ende zu entwickeln, wobei sowohl das Verbinden als auch die Erkennung berücksichtigt werden. Experimente zeigen, dass selbst die neuesten pausbasierten SCD-Modelle an der Flaschenhalsstelle des Verbindungsvorgangs leiden und dies noch schlimmer wird, wenn die Umgebung nicht-zielgerichtete Variationen enthält. Unser Datensatz ist unter http://sammica.github.io/ChangeSim/ verfügbar.