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

MARS 是一个新颖的多模态框架，通过多尺度 RGB 特征增强点云特征，同时使用基于强化学习的主动感知进行自主优化，能够精确感知关节对象、提高参数估计精度，并有效处理次优视角，增强机器人交互能力。

Jul, 2024

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

本文介绍了 ApolloScape 数据集及其应用于自动驾驶的算法，数据集包含丰富的标签和各个任务的工具和算法，使用多传感器融合以及多任务联合学习的方法，能够实现鲁棒自主定位和语义分割。

Mar, 2018

提出一个用于多智能体视觉导航的大规模三维数据集 CollaVN，探索不同 MAVN 方法进行智能体的协作，用于弥补以往方法只关注格子世界或者游戏环境的不足，并采用记忆增强型通信框架提高多智能体合作效率和鲁棒性。

Jul, 2021

本文介绍一种多模式数据集，可用于验证在无法使用全球导航卫星系统（GNSS）的环境中自主导航的算法性能。数据集内容包括船上各种传感器的测量值，其中需要注重船舶 LiDAR 测距仪度测量数据的有效性，并介绍各种传感器系统的详细特性。

Apr, 2023

这篇研究论文介绍了一种多传感器平台，可以更有效和准确地感知车辆周围的环境，收集了一组新的自动驾驶数据集，并公开给社区研究人员使用。

Sep, 2019

在自动驾驶汽车中实现第五级驾驶自动化需要一个强大的语义视觉感知系统，它能够解析来自不同传感器的数据，并适应多种条件。为了解决现有语义感知数据集中通常缺乏自动驾驶汽车中常用的重要非相机模式，或者未能利用这些模式来帮助和改善具有挑战性条件下的语义注释的问题，我们引入了 MUSES，即用于在恶劣条件下以增加的不确定性驾驶的多传感器语义感知数据集。MUSES 包括在多样化的天气和照明条件下捕获的 2500 张图像的同步多模态记录，并具有 2D 全景注释。该数据集整合了帧相机、激光雷达、雷达、事件相机和 IMU/GNSS 传感器。我们的新型两阶段全景注释协议捕捉了真实值中的类别级别和实例级别的不确定性，引入了我们的新任务 —— 不确定性感知全景分割，并同时提供标准的语义分割和全景分割。MUSES 在多样的视觉条件下既对训练有效又具有挑战性，为多模态和不确定性感知中的研究开辟了新的途径。我们的数据集和基准将公开提供。

Jan, 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

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