May, 2024

SCaRL - 自主驾驶的综合多模态数据集

PDF
TL;DR我们提供了一个新颖的合成多模态数据集 SCaRL，用于训练和验证自动驾驶解决方案。SCaRL 是一个基于 CAR LA 模拟器的大型数据集，提供了多样化的动态场景和交通条件的数据，并且是第一个包含了合成激光雷达和 MIMO 雷达传感器数据的数据集。
multi-modal datasetautonomous drivingdeep learningsensor suitecarla simulator
发现论文，激发创造
  • SELMA：语义化大规模多模态采集（不受天气、日照和视角影响）

    本研究提供了一种基于 CARLA 模拟器的 SELMA 综合数据集，其中包含来自 24 个不同的传感器（包括 RGB，深度，语义相机和 LiDAR）的 30K 个以上独特的航点，在 27 种不同的大气和白天条件下，共计超过 20M 个样本，可用于训练标准和多模态深度学习架构以实现自动驾驶系统中的准确场景理解。

    Apr, 2022

  • AmodalSynthDrive：用于自动驾驶的合成异模感知数据集

    通过引入 AmodalSynthDrive 数据集，本研究解决了自动驾驶中因缺乏合适的数据集而无法利用该数据集的问题，并支持多种 amodal 场景理解任务，包括引入的增强空间理解的 amodal 深度估计。

    Sep, 2023

  • SemanticSpray++：湿地表自主驾驶的多模态数据集

    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

  • 自动驾驶中感知的可扩展性：Waymo 开放数据集

    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

  • 双雷达：一种用于自动驾驶的双 4D 雷达多模态数据集

    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

  • nuScenes：自动驾驶的多模态数据集

    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

  • aiMotive Dataset：具有远程感知的强健自动驾驶多模态数据集

    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

  • 多智能体多遍历多模态自动驾驶：开放 MARS 数据集

    通过与自动驾驶公司 May Mobility 的合作，我们提出了 MARS 数据集，它统合了多智能体、多次遍历和多模态自动驾驶研究场景，能够促进自动驾驶车辆的感知、预测和规划能力的转变。

    Jun, 2024

  • SurfelGAN: 自主驾驶实际传感器数据合成

    本文提出一种利用少量激光雷达和摄像机数据生成真实场景传感器数据的方法，使用 SurfelGAN 网络重建逼真的相机图像对自主驾驶车辆和场景中移动物体的新位置和方向进行模拟，并在 Waymo 开放数据集上演示其有效性。

    May, 2020

  • 基于增强现实的模拟数据（ARSim）与多视角一致性的自动驾驶感知网络

    为了增强自动驾驶系统的有效性，本文提出了 ARSim，一个全自动、综合和模块化框架，用于通过将 3D 合成对象与真实多视图图像数据相结合，来提高真实世界场景的多样性和覆盖范围。实验结果表明，在各种自动驾驶感知任务上，使用增强数据集训练的网络性能更优。

    Mar, 2024