本文提出了一种基于立体视觉的方法，通过对立体图像数据上的离散度空间进行统计假设检验，评估独立局部贴片上的自由空间和障碍假设，能可靠地检测 moving vehicle 上的小障碍物，不依赖于全局道路模型，在对象和像素级别上优于所有考虑的基线，成功检测高达5厘米高的小障碍物，并可在20m的距离下实现低误报率。
Sep, 2016
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
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
本文介绍了基于ONCE(One millioN sCenEs)数据集的3D物体检测，该数据集包含1百万个激光雷达场景和7百万对应的相机图像，以及对使用自我监督和半监督方法的基准测试和性能分析。
Jun, 2021
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
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
为了提高自主感知的对抗鲁棒性，我们介绍了一个由视觉语言生成模型生成的合成数据集WEDGE（WEather Images by DALL-E GEneration），该数据集包含16种极端天气条件下的3360张图像，支持天气分类和2D物体检测的研究。通过WEDGE，我们建立了基线性能，分类和检测的准确率分别达到了53.87％和45.41 mAP，并且WEDGE能够用于调节先进的检测器，如卡车类，使SOTA性能在现实天气基准测试（例如DAWN）方面提高4.48个AP。
May, 2023
以自动驾驶为背景，综述了现有的集体感知数据集，并分类分析了基于不同标准如传感器模式、环境条件和场景多样性的车车及车基础设施数据集，旨在确定数据集的关键标准和呈现其优势、缺陷和异常，最终针对集体三维物体检测、跟踪和语义分割提供了推荐。
May, 2024
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。
Jun, 2024
本研究解决了当前自主驾驶中集体感知技术所需的缺乏适当数据集的问题。提出的SCOPE数据集是首个包含真实相机和激光雷达模型以及物理准确天气模拟的合成多模态数据集，涵盖超过40种场景，并支持多达24个协作代理。该数据集的发布将推动集体感知技术的研究与发展。
Aug, 2024