May, 2024

CoPeD - 推进多机器人协同感知：一个实际环境中的综合数据集

PDF
TL;DR过去十年中，虽然单一机器人感知取得了重大进展，但多机器人协同感知的研究仍未被广泛探索。本文提出了一个开创性的全面真实世界的多机器人协同感知数据集，用于推动这一领域的研究。我们的数据集利用了空中 - 地面机器人协同的未发掘潜力，具有不同的空间视角、互补的机器人移动性、覆盖范围和传感器模态。它提供了原始传感器输入、姿态估计和可选的高级感知注释，以适应各种研究兴趣。与现有主要设计用于同时定位和地图构建（SLAM）的数据集相比，我们的设置确保了多样化的传感器视角范围和足够的重叠以促进多机器人协同感知算法的研究。我们通过多个协同感知任务定性地证明了这个数据集的价值。我们相信这项工作将在多模态协同感知中解锁高级场景理解的潜在研究。
multi-robot collaborative perceptionreal-world datasetsensor modalitiespose estimationhigh-level perception annotation
发现论文，激发创造
  • 无人驾驶的集体感知数据集：综合评述

    以自动驾驶为背景，综述了现有的集体感知数据集，并分类分析了基于不同标准如传感器模式、环境条件和场景多样性的车车及车基础设施数据集，旨在确定数据集的关键标准和呈现其优势、缺陷和异常，最终针对集体三维物体检测、跟踪和语义分割提供了推荐。

    May, 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

  • 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

  • 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

  • DIDLM：具有红外摄像头、深度摄像头、LiDAR 和 4D 毫米波雷达的全面多传感器数据集，用于 3D 地图在具有挑战性的场景中

    该研究提供了一个综合多传感器数据集，旨在挑战性室内外环境中进行 3D 地图制作。数据集包括红外相机、深度相机、LiDAR 和 4D 毫米波雷达的数据，提供了探索先进感知和制图技术的可能性。多种传感器数据的整合增强了在极端条件下（如雨、雪和不平整的道路表面）的感知能力。数据集还包括室内外以不同速度运行的交互式机器人数据，提供了逼真的背景环境。通过类似路线的 SLAM 比较，分析了不同复杂场景对各个传感器的影响。采用各种 SLAM 算法处理数据集，揭示了不同场景中算法性能的差异。总之，该数据集解决了特殊环境中数据稀缺的问题，促进了在极端条件下感知和制图算法的发展。利用包括红外、深度相机、LiDAR、4D 毫米波雷达和机器人交互的多传感器数据，该数据集推动了智能制图和感知能力的进步。我们的数据集可在此链接获取：https://example.com/dataset

    Apr, 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

  • 非结构化户外环境中感知数据集调研

    感知是野外机器人管道的重要组成部分。本综述在比较在非结构化户外环境中公开可用的数据集。我们关注野外机器人常见感知任务的数据集，对可用的研究数据集进行分类和比较。本综述还报告了相关数据集特征，以帮助从业者确定哪个数据集最适合他们自己的应用。我们认为在选择非结构化户外环境中数据集时，应更加考虑兼容的注释策略。

    Apr, 2024

  • 自主水面车辆水中物体的多模态感知数据集

    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

  • RCooper: 适用于路边合作感知的真实世界大规模数据集

    道路边缘感知越来越受到重视，通过道路合作感知可以实现对交通区域的全面了解；然而，现有的道路边缘感知方法只关注单一基础设施传感器系统，无法覆盖交通区域的全面感知，因此需要道路合作感知来实现对受限交通区域的实际感知。本研究提供了第一个真实世界的大规模道路合作感知数据集，包括检测和跟踪，证明了道路合作感知的有效性，并展示了进一步研究的方向。

    Mar, 2024

  • 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