该研究介绍了第一个公开可用的多模态感知数据集，针对自主海洋导航中的水中障碍物，以增强自主水面车辆的情境感知。该数据集包括了不同环境条件下遇到的各种物体，并旨在通过提供多模态、带注释的、自我的感知数据集来填补海洋机器人学研究的空白，以进行物体检测和分类。我们还展示了该数据集框架的适用性，使用已经取得成功的基于深度学习的开源感知算法。我们期望我们的数据集将有助于海洋自主管道和海洋机器人技术的发展。请注意，这是我们正在进行的研究的一篇进行性论文，我们计划通过未来的出版物来完整发布。

Apr, 2024

雷达在自动驾驶环境感知方面相较于广泛采用的摄像头和 LiDAR 具有更强的适应性。本文介绍了一个新颖的大规模多模态数据集，首次同时捕获了两种类型的 4D 雷达，为进一步研究有效的 4D 雷达感知算法提供了支持。

Oct, 2023

传感器融合在自主车辆的准确和健壮的感知系统中至关重要。大多数现有的数据集和感知解决方案都专注于相机和激光雷达的融合，然而相机和雷达之间的协作被显著地低估。本论文介绍了 CRUW3D 数据集，包括 66K 个在不同行驶情景中同步并进行了校准的相机、雷达和激光雷达帧。与其他大规模自动驾驶数据集不同，我们的雷达数据以射频（RF）张量的格式呈现，包含了 3D 位置信息和时空语义信息。这种雷达格式可以使机器学习模型在相机和雷达之间交互和融合信息或特征后生成更可靠的物体感知结果。

Nov, 2023

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

本文介绍了 nuTonomy 场景数据集，其中包含了自动驾驶车辆所有的传感器：6 个相机，5 个雷达和 1 个激光雷达，每个场景长达 20 秒，并标注了 23 个类别和 8 个属性的三维边界框。同时，定义了新的 3D 检测和跟踪指标，并提供了激光雷达和基于图像的检测和跟踪的基线。

Mar, 2019

该研究通过使用汽车雷达等主动传感器，提出了基于端到端可训练模型的多视角分析方法，实现了场景的语义分割，进一步提高自动驾驶的效率和准确性。

Mar, 2021

本文集中研究低功耗、轻量级的多任务全景感知方法，通过视觉和 4D 雷达数据的融合，提出了名为 Achelous++ 的框架。Achelous++ 可以以高速、低功耗同时执行目标检测、目标语义分割、可行驶区域分割、水线分割和雷达点云语义分割等五个感知任务，并在 WaterScenes 基准测试中达到了最先进的性能，准确度和功耗效率均超过其他单任务和多任务模型。

Dec, 2023

本文介绍了一个旨在填补从陆基视觉系统到海基系统的差距的大规模视觉目标检测和跟踪基准（SeaDronesSee），我们从各种高度和视角，提供海拔，视角和其他元数据等相关信息，收集和注释了超过 54,000 帧，包括 400,000 个实例，并在此基础上评估了多个最先进的计算机视觉算法。

May, 2021

Achelous 是一个低成本和快速的统一全景感知框架，主要面向水面感知。它以单目相机和 4D mmWave 雷达的融合为基础，能够同时执行五个任务：视觉目标的检测和分割，可驾驶区域的分割，水线的分割和雷达点云的分割。

Jul, 2023

本研究提供一份新的汽车雷达数据集，用于支持以机器学习为基础的雷达感知算法的研发，特别关注移动道路用户的检测和分类，数据集由四个系列雷达传感器提供数据，持续记录超过四个小时的驾驶过程，同时提供详细的测量和标注信息，以便确保算法的公共性能评估。

Apr, 2021