确保自动驾驶汽车在恶劣天气下的安全可靠运行仍然是一个重大挑战，为此我们开发了一个全面的数据集，其中包括在真实测试场地和实验室中进行相同测试场景的传感器数据。该数据集包括在恶劣的天气条件下（雨天、夜间和雪天）记录的摄像头、雷达、激光雷达、惯性测量单元（IMU）和 GPS 数据。该数据集是一个宝贵的资源，为自动驾驶车辆领域的研究人员提供了在恶劣天气条件下测试和改进算法以及探索仿真与现实之间差距的机会。

Oct, 2023

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。

Dec, 2019

通过改进标注流程和提出的分类体系，我们训练了一个深度学习模型来识别室外天气和危险的路况，从而实现对新情景和环境的快速反应。我们在 F1 得分上相对于基线模型提高了 16%，同时保持了 20 Hz 的实时性能。

May, 2024

自动驾驶汽车在相机、激光雷达和雷达传感器的支持下进行环境导航。为解决相机和激光雷达在恶劣天气如雪、雨、雾中的表现问题，文章介绍了 SemanticSpray++ 数据集，其中包含了湿地表面情境下相机、激光雷达和雷达数据的标注信息，为不同感知方法在湿地表面条件下车辆行驶时的性能分析提供了综合性测试环境。文章还介绍了综合性的数据统计以及对多个基线方法在不同任务中的评估和性能分析。该数据集将在指定的 URL 上提供。

Jun, 2024

通过使用 CycleGAN 合成多个天气条件下的数据集，我们在自主赛车中将最先进的四个探测器的性能平均提高了 42.7 和 4.4 mAP 百分点，并进行了五种目标探测器的比较分析，以确定在挑战性条件下自主赛车中使用最佳探测器和训练数据。

Jan, 2022

针对建筑工地的多样挑战，介绍了一个新的语义分割数据集，以增强目标检测模型在不同的天气和环境条件下的训练和评估，从而促进其在实际建筑应用中的适应能力和可靠性。

Dec, 2023

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

大规模部署的全自动驾驶车辆需要非常高的稳健性来应对复杂的交通和恶劣天气条件，并且应该避免不安全的错误预测。本研究介绍了 IDD-AW 数据集，它提供了 5000 对高质量图像和像素级注释，这些图像是在雨天、雾天、低光和雪天等复杂驾驶条件下捕获的。相比其他恶劣天气数据集，我们提供了更多的标注图像、每一帧的配对近红外（NIR）图像和更大的标签集，以捕捉复杂的交通条件。我们在 IDD-AW 数据集上对语义分割的最新模型进行了基准测试，并提出了一种称为 “Safe mean Intersection over Union（Safe mIoU）” 的新度量标准，用于惩罚传统定义中没有捕捉到的危险误判，结果表明 IDD-AW 是迄今为止这些任务中最具挑战性的数据集。数据集和代码可点击此链接获取。

Nov, 2023

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

使用通用的配对训练方法，改进了大型计算机视觉模型在恶劣气候下的语义分割性能，并创建了 WeatherProof 数据集，提供了准确的恶劣气候和晴朗天气的图像对，进一步改善了分割性能的评估，并通过一种采用一致性损失和语言引导的训练流程，使性能提高了 18.4%。

Dec, 2023