CADC+

CADC+ 是一个用于自动驾驶冬季条件下的配对天气域自适应数据集，扩展了加拿大恶劣驾驶条件（CADC）数据集。它包含来自清晰和雪天天气条件的 74 个序列对的 3D 边界框注释。该数据集旨在评估雪对 3D 物体检测性能的影响，并解决现有数据集在两个域中标签数据不足或依赖去雪方法生成合成清晰天气的问题。CADC+ 通过在相同道路和相同时间段内收集清晰天气数据来创建，从而最小化了与雪无关的因素导致的域偏移。该数据集对于研究雪天对 3D 物体检测性能的影响具有重要意义。

CADC+ is a paired weather domain adaptation dataset for autonomous driving under winter conditions, which extends the Canadian Adverse Driving Conditions (CADC) dataset. It contains 3D bounding box annotations for 74 sequence pairs collected from clear and snowy weather conditions. This dataset is designed to evaluate the impact of snow on 3D object detection performance, and addresses the shortcomings of existing datasets, which either lack sufficient labeled data across both domains or rely on snow removal methods to generate synthetic clear weather data. CADC+ is constructed by collecting clear-weather data under identical road conditions and within the same time periods as the corresponding snowy weather data, thus minimizing domain shifts caused by snow-irrelevant factors. This dataset holds significant value for research examining the impact of snowy weather on 3D object detection performance.

搜集汇总

数据集介绍

构建方式

CADC+数据集的构建采用了创新的配对天气域适应方法，通过将加拿大恶劣驾驶条件（CADC）数据集中的雪天序列与同一路段、同一时期采集的晴天序列进行精确匹配。研究团队开发了序列匹配和端点选择算法，以最小化时空差异，确保晴天序列与雪天序列在道路环境、交通参与者分布等方面高度一致。数据集包含74个配对序列，每个雪天序列均对应一个尽可能相似的晴天序列，从而有效控制了非降雪因素引起的域偏移。

特点

CADC+作为首个多模态配对天气域适应数据集，其核心特点在于提供了真实场景下的雪天与晴天LiDAR点云数据对，并包含完整的3D边界框标注。数据集采集于冬季相同路段，通过严格的时空匹配确保了数据对的场景一致性。统计显示，CADC+在点云密度、物体分布和运动模式等维度上保持了跨天气域的高度可比性，其中晴天数据包含约8.2万个物体实例，略高于雪天数据的8.0万，但两者在每帧物体数量和点云分布上呈现近乎一致的统计特性。这种精心设计的配对结构为研究降雪对3D物体检测的影响提供了理想实验平台。

使用方法

该数据集支持半监督学习范式进行3D物体检测模型的训练与评估。研究证实，采用10%稀疏标注（每十帧标注一帧）配合伪标签的半监督方法，其性能接近全标注模型。使用流程包括：1）在稀疏标注的晴天训练集上训练基础模型；2）生成未标注帧的伪标签；3）联合人工标注与伪标签进行半监督训练。验证阶段需分别在CADC（雪天）和CADC-clear（晴天）的完整标注验证集上评估模型性能。实验表明，混合使用75%晴天与25%雪天数据的模型在跨域检测中表现最优，验证了数据集在天气域适应研究中的实用价值。

背景与挑战

背景概述

CADC+数据集由加拿大滑铁卢大学的研究团队于2025年提出，旨在解决自动驾驶在冬季恶劣天气条件下的3D物体检测问题。该数据集扩展了原有的加拿大恶劣驾驶条件（CADC）数据集，通过在同一路段和相近时间段采集的晴朗天气数据，构建了首个成对的天气域适应数据集。其核心研究问题聚焦于量化降雪对激光雷达点云质量及物体检测性能的影响，填补了现有数据集在天气配对与真实数据稀缺方面的空白。CADC+的创新性在于通过时空匹配算法最小化非降雪因素引起的域偏移，为自动驾驶系统在复杂气象条件下的可靠性评估提供了基准。

当前挑战

CADC+面临的挑战主要体现在两个维度：领域问题层面，降雪会同时引入偶然性和认知性不确定性，既作为噪声干扰点云质量，又构成独立数据域，导致现有3D物体检测模型性能显著下降；数据构建层面，真实天气配对需克服时空对齐难题，包括车辆轨迹差异、动态物体分布变化以及标注成本限制。合成数据方法（如去雪算法）虽能缓解数据稀缺，但存在点云修复不完整、地面积雪模拟缺失等缺陷，进一步扩大了合成域与真实域间的差距。此外，稀疏标注策略虽提升数据利用率，但需通过半监督学习弥补标注不足，增加了模型训练的复杂性。

常用场景

经典使用场景

CADC+数据集在自动驾驶领域中被广泛应用于评估降雪天气对3D物体检测性能的影响。通过提供成对的晴朗和降雪天气数据，该数据集使研究人员能够在相同的驾驶环境下比较不同天气条件下的检测效果。这种设计特别适用于研究天气变化对LiDAR传感器性能的影响，为开发鲁棒的自动驾驶系统提供了关键数据支持。

实际应用

在实际应用中，CADC+数据集为自动驾驶系统在恶劣天气条件下的性能优化提供了重要参考。汽车制造商和研究机构可以利用该数据集开发和测试在降雪天气中仍能保持高精度的3D物体检测算法。此外，该数据集还可用于评估各种去雪算法的有效性，为实际道路环境中的自动驾驶系统提供更可靠的感知能力。

衍生相关工作

CADC+数据集已经衍生出多项相关研究工作，主要集中在降雪条件下的LiDAR点云处理和3D物体检测领域。基于该数据集，研究人员开发了多种去雪算法和天气鲁棒的检测模型。同时，该数据集也促进了半监督学习在稀疏标注数据上的应用研究，为有限标注预算下的数据集构建提供了新思路。