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

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

这篇论文介绍了第一个大规模的 3D 反射检测数据集，包含超过 50,000 个多返回 Lidar、RGB 图像和 2D/3D 语义标签样本，在各种室内环境中，含有不同类型的反射。通过纹理化的 3D 地面真实网格实现自动点云标注，提供精确的地面真实标注。详细的评估对比了三种 Lidar 点云分割方法，以及当前最先进的图像分割网络对玻璃和镜子的检测。该数据集通过提供准确的全局对齐、多模态数据和各种反射物体和材料，推动了反射检测的进一步研究。该数据集可以在指定的 http 链接公开获取。

Mar, 2024

利用 LiDAR 传感器获取关于场景的精确几何信息支持自动驾驶，本文提供一种新颖的数据集，旨在为源数据集的性能评估提供跨领域评估，同时提供一个灵活的在线基准测试，以确保各种方法之间的公平比较。

Oct, 2023

通过新的数据集 LaRS，我们提供了第一个海洋全景障碍物检测基准，涵盖了湖泊、河流和海洋场景，并提供了最大的多样性录制位置、场景类型、障碍物类别和获取条件。LaRS 数据集由包含 4000 多个像素标记关键帧组成，具有九个先前帧，以利用时间纹理，共计超过 40k 帧。我们报告了 27 种语义和全景分割方法的结果，以及几个性能洞察和未来研究方向。为了实现客观评估，我们还实施了在线评估服务器。LaRS 数据集、评估工具包和基准公开可用。

Aug, 2023

LIBRE 是第一个涵盖了制造商、型号和激光配置的 10 个不同 LiDAR 传感器的数据集，包括三种不同环境和配置：静态目标，恶劣天气和动态交通，这将有助于提高自动驾驶车辆和机器人相关软件的 LiDAR 感知算法的开发和调试。

Mar, 2020

介绍了一种全新的 LaMAR 基准测试数据集，涵盖了许多不同的 AR 设备和场景，可用于改进增强现实（AR）中的定位和映射技术。

Oct, 2022

本研究针对自动驾驶的核心传感器进行研究，发现同时融合相机和 LiDAR 两种模式可以显著提升其性能。然而，由于当前数据集来自于昂贵的数据收集车辆，无法完全反映真实数据分布。 因此，我们提出了一种系统性的鲁棒性基准测试工具包，并在 nuScenes 和 Waymo 中建立了鲁棒性基准测试，针对当前的融合方法进行综合性分析。最后，我们提出了一种高效的鲁棒性训练策略。

May, 2022

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

通过引入 RangeLDM，我们提出了一种快速生成高质量 LiDAR 点云的新方法，通过深度生成模型、变分自编码器和扩散模型来解决传统方法中的限制，从而在自动驾驶中获得稳健的表现和快速生成速度。

Mar, 2024