无人驾驶的集体感知数据集:综合评述
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
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
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
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。
May, 2024
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
自动驾驶引起学术界和工业界的广泛关注,但目前的自动驾驶系统大多基于单一车辆,存在较大限制,可能威胁驾驶安全。基于连接和自动驾驶车辆的协作感知被认为是解决这些限制的一种有前景的方法。本文首先确定了协作感知的挑战,如数据共享异步性、数据量和姿态误差等。然后,我们讨论了使用各种技术解决这些挑战的可能方法,并阐述了相关的研究机会。此外,我们提出了一种应对通信效率和延迟问题的方案,即一种通道感知的协作感知框架,通过动态调整通信图并减小延迟,提高感知性能和通信效率。最后,我们进行实验证明了我们提出方案的有效性。
Jan, 2024
借助 LiDAR 3D 点云技术,基于来自联网汽车不同位置和角度的传感器数据融合,提出一种基于点云的 3D 物体检测方法,拓展感知区域、提高检测准确性、促进增强结果,同时通过现有的车联网技术,可实现利用点云数据进行协同感知。
May, 2019
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
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
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