ORFD|自动驾驶数据集|环境感知数据集

arXiv2022-06-26 更新2024-06-21 收录

自动驾驶

环境感知

下载链接：

https://github.com/chaytonmin/OFF-Net

下载链接

链接失效反馈

资源简介：

ORFD数据集是由北京大学和国家智能系统与集成数据技术研究中心共同创建的，旨在推动深度学习在越野环境中的研究。该数据集包含12,198对LiDAR点云和RGB图像，涵盖多种场景（如林地、农田、草原和乡村）、不同天气条件（晴、雨、雾、雪）和光照条件（明亮、日光、黄昏、黑暗）。数据集通过详细标注可通行区域、不可通行区域和不可达区域，支持越野自由空间检测任务。ORFD数据集的应用领域主要集中在自动驾驶技术中的路径规划和越野环境感知，旨在解决自动驾驶车辆在复杂多变的越野环境中安全导航的问题。

提供机构：

北京大学 2国家智能系统与集成数据技术研究中心

创建时间：

2022-06-21

AI搜集汇总

数据集介绍

构建方式

ORFD数据集的构建过程涉及收集不同场景（林地、农田、草地和乡村）、不同天气条件（晴朗、雨天、雾天和雪天）以及不同光照条件（强光、日光、黎明、黑暗）下的LiDAR点云和RGB图像对，共计12,198对。这些数据对中的可通行区域、不可通行区域和不可到达区域都进行了详细的标注。为了获取深度信息，将LiDAR点云投影到相应的RGB图像平面上。此外，为了提高深度学习方法的性能，数据集还包括RGB图像、LiDAR点云、校准、稀疏深度、密集深度和地面实况等信息。

特点

ORFD数据集的特点在于其涵盖了多种复杂的非结构化道路环境，并考虑了不同季节、天气和光照条件的影响。该数据集是第一个专注于非结构化道路环境下的可通行区域检测数据集，对于自动驾驶技术的研究具有重要意义。数据集提供了详细的像素级图像标注，包括可通行区域、不可通行区域和不可到达区域三种类型。此外，数据集还包括RGB图像、LiDAR点云、校准、稀疏深度、密集深度和地面实况等信息，为深度学习研究提供了丰富的数据资源。

使用方法

使用ORFD数据集的方法包括以下几个步骤：首先，需要将LiDAR点云和RGB图像进行同步和校准；其次，可以使用提供的标注数据进行像素级的图像标注，包括可通行区域、不可通行区域和不可到达区域；然后，可以使用深度学习方法进行训练，例如使用OFF-Net网络架构，它结合了Transformer架构和交叉注意力机制，以实现准确的道路可通行区域检测；最后，可以通过评估指标（如准确率、精确率、召回率、F1分数和交并比）来评估模型的性能。

背景与挑战

背景概述

随着自动驾驶技术的不断发展，自由空间检测作为其核心技术之一，对于轨迹规划至关重要。近年来，基于深度学习的自由空间检测方法在城市道路环境中取得了显著成果。然而，针对非结构化越野环境的自由空间检测研究相对较少，主要原因是缺乏相应的数据集。陈敏等研究人员在论文中介绍了ORFD数据集，这是首个针对越野自由空间检测的数据集。该数据集包含了12,198个激光雷达点云和RGB图像对，标注了可通行区域、不可通行区域和不可达区域，涵盖了林地、农田、草地和乡村等不同场景，以及晴天、雨天、雾天和雪天等不同天气条件，以及明亮、白天、黄昏和黑暗等不同光照条件。此外，论文中还提出了一种名为OFF-Net的全新网络架构，该架构采用Transformer架构来聚合局部和全局信息，满足自由空间检测任务对大感受野的需求。同时，还提出了一种交叉注意力机制，用于动态融合激光雷达和RGB图像信息，以实现精确的越野自由空间检测。

当前挑战

ORFD数据集和相关研究面临的挑战主要包括：1) 越野环境的复杂性和多样性，例如高草和矮草在可通行性方面存在很大差异，高草可能隐藏不可见的障碍物或坑洞；2) 不同光照条件和季节因素对自动驾驶的影响，例如在不同季节和时间，光照条件对自由空间检测的影响不同；3) 融合激光雷达和RGB图像信息，以充分利用各自的优势，提高检测精度；4) 在非结构化越野环境中进行自由空间检测，与城市道路环境相比更具挑战性。

常用场景

经典使用场景

ORFD数据集，即Off-Road Freespace Detection数据集，为自动驾驶技术中的自由空间检测任务提供了宝贵的资源。该数据集涵盖了多种越野场景，包括林地、农田、草地和乡村，以及不同的天气和光照条件，为自由空间检测的泛化提供了坚实的基础。该数据集的创建，旨在推动自动驾驶技术在非结构化环境中的研究，如越野场景，这对于自动驾驶技术的发展具有重要意义。

衍生相关工作

ORFD数据集的提出，衍生了许多相关的研究工作。例如，基于ORFD数据集，研究人员提出了OFF-Net网络，该网络结合了Transformer架构和交叉注意力机制，有效地融合了相机和激光雷达信息，提高了自由空间检测的准确性。此外，ORFD数据集还为其他自动驾驶领域的研究提供了数据支持，如车辆定位、障碍物检测等。

数据集最近研究

相关研究论文

1
ORFD: A Dataset and Benchmark for Off-Road Freespace Detection北京大学 2国家智能系统与集成数据技术研究中心 · 2022年

以上内容由AI搜集并总结生成

用户留言

有没有相关的论文或文献参考？

这个数据集是基于什么背景创建的？

数据集的作者是谁？

能帮我联系到这个数据集的作者吗？

这个数据集如何下载？

点击留言

数据主题

具身智能

数据集 4098个

机构 8个

大模型

数据集 439个

机构 10个

无人机

数据集 37个

机构 6个

指令微调

数据集 36个

机构 6个

蛋白质结构

数据集 50个

机构 8个

空间智能

数据集 21个

机构 5个

5,000+

优质数据集

54 个

任务类型

进入经典数据集

热门数据集

光伏电站发电量预估数据

1、准确预测一个地区分布式光伏场站的整体输出功率，可以提高电网的稳定性，增加电网消纳光电能量的能力，在降低能源消耗成本的同时促进低碳能源发展，实现动态供需状态预测的方法，为绿色电力源网荷储的应用落地提供支持。 2、准确预估光伏电站发电量，可以自动发现一些有故障的设备或者低效电站，提升发电效能。1、逆变器及电站数据采集,将逆变器中计算累计发电量数据,告警数据同步到Maxcompute大数据平台 2、天气数据采集, 通过API获取ERA5气象数据包括光照辐射、云量、温度、湿度等 3、数据特征构建, 在大数据处理平台进行数据预处理，用累计发电量矫正小时平均发电功率，剔除异常数据、归一化。告警次数等指标计算 4、异常数据处理, 天气、设备数据根据经纬度信息进行融合, 并对融合后的数据进行二次预处理操作，剔除辐照度和发电异常的一些数据 5、算法模型训练,基于XGBoost算法模型对历史数据进行训练, 生成训练集并保存至OSS 6、算法模型预测,基于XGBoost算法模型接入OSS训练集对增量数据进行预测, 并评估预测准确率等效果数据，其中误差率=(发电量-预估发电量)/发电量，当误差率低于一定阈值时，该数据预测为准确。预测准确率=预测准确数量/预测数据总量。

浙江省数据知识产权登记平台收录

LEGO数据集

该数据集包含了关于LEGO公司的历史、产品提供以及特定LEGO套装的信息，用于分析LEGO套装的规模、发布年份、主题分布以及套装复杂性的变化。

github 收录

学生课堂行为数据集 (SCB-dataset3)

学生课堂行为数据集(SCB-dataset3)由成都东软学院创建，包含5686张图像和45578个标签，重点关注六种行为：举手、阅读、写作、使用手机、低头和趴桌。数据集覆盖从幼儿园到大学的不同场景，通过YOLOv5、YOLOv7和YOLOv8算法评估，平均精度达到80.3%。该数据集旨在为学生行为检测研究提供坚实基础，解决教育领域中学生行为数据集的缺乏问题。

arXiv 收录

中国区域交通网络数据集

该数据集包含中国各区域的交通网络信息，包括道路、铁路、航空和水路等多种交通方式的网络结构和连接关系。数据集详细记录了各交通节点的位置、交通线路的类型、长度、容量以及相关的交通流量信息。

data.stats.gov.cn 收录

DermNet

DermNet是一个包含皮肤病图像的数据集，涵盖了多种皮肤病类型，如痤疮、湿疹、牛皮癣等。该数据集主要用于皮肤病诊断和研究。