遇见数据集

AE-UAV

收藏
github2026-07-17 更新2026-07-20 收录
数据链接:
官方服务:

资源简介:

AE-UAV是第一个空对空基于事件的无人机跟踪基准数据集,包含178个飞行序列,具有连续时间三次B样条注释,支持任意时间分辨率评估。数据集包含超过81.5亿个事件,分辨率为1280×720,并辅以同步的RGB和热红外图像。

AE-UAV is the first air-to-air event-based unmanned aerial vehicle (UAV) tracking benchmark dataset. It includes 178 flight sequences annotated with continuous-time cubic B-splines, and supports arbitrary time-resolution evaluation. The dataset features over 8.15 billion events with a resolution of 1280×720, and is paired with synchronized RGB and thermal infrared imagery.

创建时间:
2026-07-16
原始信息汇总

数据集概述

AE-UAV 是一个面向空对空(A2A)无人机跟踪的首个机载事件相机数据集,由论文《AE-UAV: An Air-to-Air Event-Based UAV Tracking Benchmark and a Real-Time Frequency-Domain Tracker》提出。该数据集包含178个飞行序列,并采用连续时间三次B样条标注,提供C²连续的物体轨迹,支持在任意时间分辨率下进行评估。

核心特性

  • 首个空对空事件相机跟踪基准:数据由空中观测平台捕获,而非地面-空中视角。
  • 规模:178个序列,总时长约2,140秒,事件总数超过81.5亿,分辨率为1280×720
  • 连续时间标注:基于稀疏关键帧标注和三次B样条插值构建连续轨迹,事件级标签精度可达微秒级。
  • 多模态辅助数据:同步提供RGB图像(1920×1080)和热红外图像(640×512)。
  • 场景多样性:涵盖不同运动几何(追击、躲避、迎面)、光照条件(日光、背光、夜间)及轨迹模式。

数据集基本信息

属性 数值
序列数 178
总时长 ≈ 2,140秒
总事件数 > 81.5亿
目标事件数 3,120万(占总事件0.38%)
事件分辨率 1280 × 720
标注方式 累积帧关键帧 + 三次B样条连续轨迹(事件级标签)
辅助模态 RGB(1920×1080)、热红外(640×512)
数据集划分 训练集125 / 验证集18 / 测试集35

采集系统

  • 观测平台:大疆Matrice 300 RTK,搭载Prophesee EVK4 HD事件相机(1280×720,12mm定焦镜头)和大疆Zenmuse H20T云台(提供RGB和热红外图像)。
  • 目标平台:大疆Mavic 3T。
  • 机间距离:15米至100米,目标尺度从点状信号到详细结构。
  • 辅助数据:IMU以200 Hz记录六轴运动。

数据集结构

AE-UAV/ ├─ 0709-193513/ # 一个完整飞行会话,命名格式为MMDD-HHMMSS │ └─ 2025-07-09-19-35-13-1430-1445(110-190)/ # 一个数据记录(序列) │ ├─ *.h5 # 带标签的原始事件流(事件级标签) │ ├─ *_interpolation_functions.pkl # 拟合的三次B样条轨迹(可查询任意时刻的边界框) │ └─ *.txt # 手动标注的稀疏关键帧边界框 ├─ ... ├─ train_dataset.txt # 训练集划分 ├─ val_dataset.txt # 验证集划分 └─ test_dataset.txt # 测试集划分

文件格式

文件 内容
*.h5 带标签的原始事件流,每个事件包含二进制目标/背景标签。
*_interpolation_functions.pkl 拟合的连续三次B样条轨迹,可在任意时刻查询边界框 B(t) = (cx, cy, w, h)。
*.txt 稀疏关键帧标注,在累积事件帧上人工标注的边界框。

连续时间标注流程

  1. 稀疏关键帧标注:人工在稀疏关键帧时刻的累积事件帧上标注边界框,得到N个观测点 {(t_i, b_i)}。
  2. 三次B样条插值:对边界框的每个参数(cx, cy, w, h)分别拟合三次B样条曲线,通过正则化最小二乘法(曲率惩罚λ=0.001)保证C²连续性(平滑的位置、速度和加速度)。
  3. 事件级标签:根据拟合轨迹B(t),为每个事件ek = (xk, yk, tk, pk)分配二进制标签,判断其是否位于目标区域内。

该流程同时输出帧级标注(用于传统基于帧的跟踪器)和事件级标签(用于微秒级时间分辨率的跟踪方法)。

论文引用

bibtex @article{jiang2026aeuav, title = {AE-UAV: An Air-to-Air Event-Based UAV Tracking Benchmark and a Real-Time Frequency-Domain Tracker}, author = {Jiang, Zixin and He, Bing and Xiong, Chaoran and Wang, Zhenzhen and Zhao, Xin and Pei, Ling}, journal = {arXiv preprint arXiv:2607.14726}, year = {2026} }

许可协议

该项目采用 MIT License 发布。

搜集汇总
数据集介绍
AE-UAV 数据集图片
构建方式
AE-UAV数据集是全球首个面向空对空无人机追踪的事件相机基准数据集。其构建依托于双无人机系统,由搭载Prophesee EVK4 HD事件相机(1280×720分辨率)及可见光与热红外相机的DJI Matrice 300 RTK观测平台,对DJI Mavic 3T目标平台进行飞行数据采集,间距15至100米,覆盖追逐、规避及迎头等多种相对运动几何。所获178段飞行序列经人工稀疏关键帧标注后,利用正则化最小二乘法拟合出具有C²连续性的三次B样条轨迹,最终为每个事件点赋予微秒级精度的背景/目标二元标签,形成事件级连续注释。
特点
该数据集规模宏大,累计时长约2140秒,记录超过81.5亿个事件点,其中目标事件达3120万个。其显著特征在于采用连续时间样条注释范式,打破了传统数据集帧间恒值框的局限,能在任意时间分辨率下提供平滑可导的轨迹真值,使评估结果自洽统一。数据集涵盖城市场景、逆光天空及低光照夜间等多种复杂光照条件,且同步提供RGB和热红外多模态辅助数据,为算法鲁棒性验证提供了丰富素材。
使用方法
数据集以飞行会话为单位组织,每个序列文件夹包含H5格式的注释原始事件流、PKL格式的B样条插值函数及TXT格式的稀疏关键帧标注。使用者可根据训练/验证/测试划分文件(train_dataset.txt等)加载数据。B样条函数支持任意时间戳的连续轨迹查询,返回连续边界框参数,既可用于基于帧的传统跟踪器评估,亦可用于需原生微秒级事件标签的实时频域追踪方法,显著拓展了事件相机在空对空追踪场景的应用边界。
背景与挑战
背景概述
无人机(UAV)视觉跟踪是自主导航与智能监控领域的关键技术,传统基于帧的相机在高速运动或光照剧烈变化场景下易出现运动模糊与信息丢失。事件相机凭借其微秒级时间分辨率与高动态范围,为空中对空中(A2A)无人机跟踪开辟了新途径。2026年,由Jiang Zixin、He Bing等学者组成的团队发布了AE-UAV数据集,作为首个由机载平台捕获的A2A事件相机跟踪基准。该数据集涵盖178个飞行序列、超过81.5亿事件,并创新性地采用三次B样条连续时间标注,确保了跟踪评价在不同时间分辨率下的一致性。其发布填补了空对空事件跟踪领域的数据空白,对推动事件视觉在无人机对抗、协同编队等场景中的应用具有里程碑式意义。
当前挑战
AE-UAV数据集的核心挑战在于解决空对空无人机跟踪中目标尺度剧变、高动态运动与复杂光照交叠的难题。传统逐帧恒定标注无法匹配事件流的连续本质,导致评估不一致,为此数据集提出了三次B样条连续轨迹建模,从稀疏关键帧插值出C²光滑轨迹,支撑微秒级事件标签。构建过程中面临两大难点:其一,空中采集条件严苛,需同步处理事件相机、RGB与热红外多模态数据,并融合200Hz IMU运动信息;其二,目标事件仅占总事件0.38%,稀疏标签在复杂背景下的精准标注依赖人工累计帧框定与正则化拟合,需平衡插值保真度与曲率惩罚以防止过拟合。
常用场景
经典使用场景
AE-UAV数据集最经典的使用场景在于为空中对空中(air-to-air, A2A)环境下的无人机视觉追踪提供高时间分辨率的评估基准。该数据集由空中观测平台搭载事件相机采集,涵盖了178个飞行序列,累计超过81.5亿事件,并以1280×720的分辨率记录了包括城市天际线、背光天空和低光照夜航在内的多样复杂环境。由于事件相机具有微秒级响应和极高动态范围的优势,AE-UAV尤其适合验证和比较那些利用事件流异步特性进行高速目标追踪的算法,例如基于频率域或脉冲神经网络的跟踪方法。其连续时间三次B样条标注保证了在不同时间分辨率下评估的一致性,为事件驱动的追踪技术提供了一个前所未有的标准化测试平台。
衍生相关工作
围绕AE-UAV数据集已衍生出一系列经典学术工作,其中最具有代表性的是论文中同时提出的实时频率域跟踪器(Real-Time Frequency-Domain Tracker)。该工作利用了事件流在频域中的稀疏性和周期性特征,设计了一种轻量级且计算效率极高的跟踪框架,在AE-UAV上验证了其能够同时满足高速事件处理与高精度追踪需求。这一方向启发了后续研究,包括将连续B样条轨迹建模方法推广至更一般的非刚体目标追踪,以及将事件相机与注意力机制结合用于空中多目标跟踪。此外,多数学者基于该数据集的连续时间标注特性,发展了用于评估时间分辨率对追踪性能影响的理论分析工具,进一步深化了对事件视觉信号时域采样特性的理解。
数据集最近研究
最新研究方向
在无人机视觉追踪领域,传统基于帧的传感器在高速运动、低光照或强逆光等极端场景下易出现运动模糊与动态范围不足的问题,而事件相机凭借其微秒级时间分辨率和极高动态范围,为空中对抗环境下的目标追踪开辟了新路径。AE-UAV数据集作为首个空中采集的空对空事件相机无人机追踪基准,收录了178段飞行序列、超过81.5亿个事件,并创新性地采用三次B样条连续时间标注方法,确保任意时间分辨率下的标注一致性。该数据集覆盖追逐、规避与迎头三种典型运动几何,以及日光、背光与夜间多种光照条件,为研究事件驱动型追踪算法在多模态辅助数据融合下的鲁棒性与实时性提供了关键支撑。结合所提出的实时频域追踪器,该工作推动了事件视觉在无人机蜂群对抗、低空安防等前沿方向的实际部署,对提升无人系统在复杂动态环境中的自主感知能力具有里程碑意义。
以上内容由遇见数据集搜集并总结生成
二维码
社区交流群
二维码
科研交流群
商业服务