Jun, 2024

PLT-D3: 高保真动态驾驶仿真数据集的立体深度和场景流

PDF
TL;DR自动驾驶在计算硬件和先进的深度学习方法的推动下取得了显著进展。然而现有的公共数据集却缺乏多样性的天气场景和详细高分辨率数据，用以训练和验证先进的自动驾驶感知模型。本研究介绍了 PLT-D3 数据集，其提供了逼真的模拟测试环境，包括雨雪、雾和各种光照条件，以增强自动驾驶系统在不同天气条件下的适应性。 PLT-D3 基于 Unreal Engine 5 生成了高保真度的立体深度和场景流动地真实数据，用来建立具有现实天气变化模拟的全面训练和测试资源。通过 PLT-D3，对深度估计、光流和场景流流动等关键自动驾驶任务建立了基准，以衡量和提升最先进模型的性能。
发现论文，激发创造
  • Ithaca365：重复和具有挑战性的天气条件下的数据集和驾驶感知

    为了实现自主驾驶高安全性要求下的鲁棒性，本文提出了一种新数据集的收集方法，覆盖多种天气、交通和场景，包含图像和点云数据以及高精度 GPS/INS 数据，并在此基础上分析了自动驾驶的三个关键问题的性能表现。

    Aug, 2022

  • A*3D 数据集：面向复杂环境的自动驾驶

    本文介绍了一份新的挑战性 A*3D 数据集，以满足自动驾驶研究任务在高度多样化的环境中的需求，并采用基于 RGB 图像和 LiDAR 数据的丰富多样的场景、时间和天气情况，其中包括重度遮挡和大量的夜间框架，共包含 39K 帧、7 个类别和 230K 个 3D 对象注释。对 A*3D 数据集进行广泛的 3D 对象检测基准评估，对高密度、白天 / 黑夜等各种属性给出了有趣的见解。

    Sep, 2019

  • TWICE 数据集：受控环境中的测试场景数字孪生

    确保自动驾驶汽车在恶劣天气下的安全可靠运行仍然是一个重大挑战，为此我们开发了一个全面的数据集，其中包括在真实测试场地和实验室中进行相同测试场景的传感器数据。该数据集包括在恶劣的天气条件下（雨天、夜间和雪天）记录的摄像头、雷达、激光雷达、惯性测量单元（IMU）和 GPS 数据。该数据集是一个宝贵的资源，为自动驾驶车辆领域的研究人员提供了在恶劣天气条件下测试和改进算法以及探索仿真与现实之间差距的机会。

    Oct, 2023

  • STPLS3D：一个大规模的合成和真实航空摄影测量三维点云数据集

    探索通过改进人们的能力来创造大规模注释的航空摄影测量点云的 3D 数据生成方法，利用开源地理空间数据和商业软件来生成精确的语义和实例注释，提出 STPLS3D 数据集并在其上进行的实验表明了该数据集的有效性和质量。

    Mar, 2022

  • 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

  • 高 D 数据集：用于在德国高速公路上验证高度自动化驾驶系统的自然车辆轨迹的无人机数据集

    提出了一种从空中视角测量数据以满足安全验证需求的新方法，基于从德国高速公路收集的大规模真实车辆轨迹数据集高 D，从数量、多样性和场景等方面进行评估。

    Oct, 2018

  • Argoverse2：面向自动驾驶感知和预测的下一代数据集

    Argoverse 2 是一套适用于自动驾驶领域的三个数据集，包含多模态数据，如高分辨率图像，种类繁多的 3D 标注，未标注的 lidar 点云等，为 3D 感知模型的训练和评估提供了充足的数据和场景，并提供了自我监督和云点预测等新的数据学习任务。

    Jan, 2023

  • 3DRealCar：一个自然环境中的 RGB-D 汽车数据集，具备 360 度视角

    我们提出了第一个大规模的 3D 真实汽车数据集，名为 3DRealCar，具有高容量、高质量和高多样性的特点，以及可用于改进与汽车相关的各种 2D 和 3D 任务的潜力。

    Jun, 2024

  • SHIFT: 连续多任务域适应的合成驾驶数据集

    本文介绍了用于自主驾驶的最大多任务合成数据集 SHIFT，其中包含多种可变特征，包括云量、雨和雾的密度、时间和车辆和行人密度，旨在促进开发连续适应策略以缓解这个问题并评估模型的鲁棒性和通用性。

    Jun, 2022

  • 自动驾驶的合成数据集：一项调查

    本研究综述了合成数据集生成方法的演变，并回顾了应用于自动驾驶研究的单任务和多任务合成数据集的相关工作，讨论了其在自动驾驶相关算法测试中的作用，尤其是在可信性和安全性方面。此外，该综述还讨论了合成数据集在自动驾驶技术实际部署方面的问题，并提供了一种可能的解决方案。

    Apr, 2023