CVPRMay, 2023

V2X-Seq: 车辆基础设施合作感知和预测的大规模序列数据集

PDF
TL;DR引入第一个大规模的连续 V2X 数据集 V2X-Seq，包括数据帧，轨迹，矢量地图和交通灯。基于该数据集，提出三个新的车辆基础设施协作自动驾驶任务：VIC3D 跟踪、在线和离线预测，并提供了这些任务的基准。
autonomous drivingv2x datasetvehicle-infrastructure cooperationtrajectory forecastingsequential perception
发现论文，激发创造
  • DAIR-V2X: 用于车路协作三维物体检测的大规模数据集

    发布了第一个用于车路协同自动驾驶的真实场景多模态多视角数据集 DAIR-V2X，其中包括 71254 帧 LiDAR 和摄像头帧，是解决车路协同 3D 物体检测问题的一个基准，并提出了延迟融合框架 TCLF。

    Apr, 2022

  • V2X-Real：一个大规模的车辆对一切协作感知数据集

    我们提出了一个具有多模态传感数据的数据集，以促进车辆与智能基础设施之间的协作感知发展，并通过合作感知方法的综合多类多智能体评估来支持研究。

    Mar, 2024

  • V2V4Real：一项用于车辆间协作感知的真实世界大规模数据集

    本文介绍了 V2V4Real 多模态数据集和近期合作感知算法在三项任务上的全面基准测试。通过两辆车行驶，由多模态传感器收集数据，该数据集包括 20K LiDAR 帧、40K RGB 帧、240K 5 类三维边界框的标注和覆盖所有行驶路线的 HDMaps。该数据集对协作 3D 物体检测、协作 3D 物体跟踪和 Sim2Real 领域自适应合作感知等三个任务提出了需要解决的问题。

    Mar, 2023

  • V2X-Sim：自动驾驶多智能体协作感知数据集和基准

    通过提出 V2X-Sim，一个完整的模拟多智能体感知数据集，本文试图为自动驾驶的协作式感知研究提供一个 benchmark，其中包含了多节点感知、多模态感知以及各种各样的真实解等任务，并为最前沿的协作式感知算法提供一个基准。

    Feb, 2022

  • 学习合作轨迹表示进行运动预测

    自动驾驶中，运动预测是一项关键任务，充分利用基础设施和其他车辆提供的有效信息可以增强运动预测能力。本研究首次提出了合作轨迹表示学习范式，通过可解释的图形结构（V2X-Graph）充分利用合作运动和互动信息，有效提升合作运动预测的效果，并构建了实际车辆网络中的运动预测数据集（V2X-Traj），验证了本方法的优势。希望 V2X-Graph 和 V2X-Traj 能促进合作运动预测的进一步发展。

    Nov, 2023

  • OPV2V: 一个用于车辆间通信感知的开放数据集和融合管道

    本文提出了第一个大规模的开放式模拟数据集，其中包含超过 70 个有趣的场景，11464 帧和 232913 标注的三维车辆边界框，以及一个用于评估多种信息融合策略的综合基准测试。同时，作者还提议了一种新的注意力中间融合管道，以聚合来自多个连接车辆的信息，证明该管道即使在大压缩率下也能实现优秀的性能。

    Sep, 2021

  • DeepSense-V2V: 一种车辆之间的多模式感知、定位和通信数据集

    该研究提出了第一个大规模的多模态数据集，用于研究毫米波车到车通信。数据集包括来自 360 度摄像机、四个雷达、四个 60 GHz 相控阵、一个 3D 激光雷达和两个精确 GPS 的两车试验台的数据。该数据集涵盖了日间和夜间的城际和乡村地区，行驶距离 120 公里，速度高达 100 公里 / 小时。数据集包含了超过一百万个物体的检测结果，从卡车到自行车都有。该研究还提供了详细的数据集统计信息，证明了各种情况的覆盖情况，并强调了该数据集如何支持新颖的机器学习应用。

    Jun, 2024

  • 自动驾驶中的协同感知数据集调查

    本研究综述了车辆对基础设施（V2I）、车辆对车辆（V2V）和车辆对一切（V2X）的协作感知数据集，重点关注用于自动驾驶车辆感知任务的大规模基准的最新发展。该论文系统地分析了各种数据集，比较了它们在多样性、传感器设置、质量、公开可用性和对下游任务的适用性等方面，同时突出了领域转移、传感器设置限制以及数据集多样性和可用性方面的关键挑战。强调了在数据共享和数据集创建方面解决隐私和安全问题的重要性。结论强调了需要全面、全球可访问的数据集以及技术和研究社区的协作努力来克服这些挑战，并充分发挥自动驾驶的潜力。

    Apr, 2024

  • TUMTraf V2X 协作感知数据集

    合作感知技术对提升自主车辆能力和道路安全具有多方面的好处，使用路侧传感器以及车载传感器可以提高可靠性和扩展传感器范围。我们提出了一种合作多模态融合模型 CoopDet3D 和感知数据集 TUMTraf-V2X，用于合作式三维物体检测和跟踪任务。通过多次实验，我们证明了相对于车载摄像头 - LiDAR 融合模型，我们的 CoopDet3D 摄像头 - LiDAR 融合模型在三维 mAP 上实现了 + 14.36 的提高。最后，我们将我们的数据集、模型、标注工具和开发套件公开发布在我们的网站上。

    Mar, 2024

  • 端到端自动驾驶通过 V2X 合作

    利用 V2X 通信通过合作利用自车和基础设施传感器数据已成为对于先进自主驾驶的一种有希望的方法。本文介绍 UniV2X，一个开创性的合作自主驾驶框架，将所有关键驾驶模块无缝集成到一个统一的网络中，并提出了一种稀疏稠密混合数据传输和融合机制，以有效地实现车辆和基础设施的合作。实验结果表明 UniV2X 在显著提高规划性能和所有中间输出性能方面的有效性。

    Mar, 2024