CVPRDec, 2019

自动驾驶中感知的可扩展性：Waymo 开放数据集

PDF
TL;DR该研究介绍了一种新的大规模、高质量、多样化的自动驾驶数据集，其中包含了各种城市和郊区地理环境中的 1150 个场景，数据标注为 2D 和 3D 框，而 2D 和 3D 检测和跟踪任务的基线也得到了提供。
autonomous drivingdatasetlidarcameraobject detection
发现论文，激发创造
  • Argoverse2：面向自动驾驶感知和预测的下一代数据集

    Argoverse 2 是一套适用于自动驾驶领域的三个数据集，包含多模态数据，如高分辨率图像，种类繁多的 3D 标注，未标注的 lidar 点云等，为 3D 感知模型的训练和评估提供了充足的数据和场景，并提供了自我监督和云点预测等新的数据学习任务。

    Jan, 2023

  • 自动驾驶一百万场景: ONCE 数据集

    本文介绍了基于 ONCE (One millioN sCenEs) 数据集的 3D 物体检测，该数据集包含 1 百万个激光雷达场景和 7 百万对应的相机图像，以及对使用自我监督和半监督方法的基准测试和性能分析。

    Jun, 2021

  • A*3D 数据集：面向复杂环境的自动驾驶

    本文介绍了一份新的挑战性 A*3D 数据集，以满足自动驾驶研究任务在高度多样化的环境中的需求，并采用基于 RGB 图像和 LiDAR 数据的丰富多样的场景、时间和天气情况，其中包括重度遮挡和大量的夜间框架，共包含 39K 帧、7 个类别和 230K 个 3D 对象注释。对 A*3D 数据集进行广泛的 3D 对象检测基准评估，对高密度、白天 / 黑夜等各种属性给出了有趣的见解。

    Sep, 2019

  • Zenseact 开放数据集：一种用于自动驾驶的大规模和多样化的多模态数据集

    Zenseact Open Dataset (ZOD) 是一种大规模且多样化的自动驾驶数据集，采集了两年时间在欧洲各地的数据，涵盖了比现有数据集多 9 倍的区域，并支持长距离感知和多任务学习。该数据集是通过各种帧、序列和驱动器收集的，为传感器融合、本地化和建图提供了支持。

    May, 2023

  • 自动驾驶中的开源数据生态系统：现状与未来

    通过系统考察当前两代自动驾驶数据集，本综述提供关于高质量数据集创建原则、数据引擎系统的关键作用，以及采用生成式基础模型促进可扩展数据生成等方面的见解。此外，本综述还详细分析了第三代自动驾驶数据集应具备的特征和数据规模，并深入探讨需要解决的科学和技术挑战，以推动自主创新和关键领域的技术提升。

    Dec, 2023

  • aiMotive Dataset：具有远程感知的强健自动驾驶多模态数据集

    该研究介绍了一个多模态数据集，其中包括雷达、相机和激光雷达，以提高自主驾驶汽车的稳健性和长程感知并训练 3D 物体检测模型，并在 GitHub 上提供数据。

    Nov, 2022

  • PandaSet：自动驾驶高级传感器套件数据集

    介绍了 PandaSet 数据集，包含了使用多种 LiDAR 和摄像头采集的适用于自动驾驶对象检测和语义分割的高质量数据。

    Dec, 2021

  • Ithaca365：重复和具有挑战性的天气条件下的数据集和驾驶感知

    为了实现自主驾驶高安全性要求下的鲁棒性，本文提出了一种新数据集的收集方法，覆盖多种天气、交通和场景，包含图像和点云数据以及高精度 GPS/INS 数据，并在此基础上分析了自动驾驶的三个关键问题的性能表现。

    Aug, 2022

  • 一千零一小时：自动驾驶运动预测数据集

    本文介绍了迄今为止最大的自动驾驶运动预测数据集，其中包括来自 20 辆自动驾驶车辆在 Palo Alto, California 沿固定路线收集的超过 1000 小时的数据，可帮助提高自动驾驶领域的性能。

    Jun, 2020

  • 自动驾驶数据集综述：数据统计、标注和展望

    自动驾驶发展迅速，硬件和深度学习方法的新进展表现出了良好的性能，高质量的数据集对于开发可靠的自动驾驶算法至关重要。本研究全面调查了 200 多个自动驾驶数据集的多个方面，并引入了一种新的评估指标来评估每个数据集的影响，为建立新的数据集提供了指导。此外，还分析了数据集的注释过程和质量，并对几个重要数据集的数据分布进行了深入分析。最后，讨论了未来自动驾驶数据集的发展趋势。

    Jan, 2024