MapZoo

MapZoo是一个精心策划的1:10比例2D赛车地图集合，包含中心线、优化赛车线、速度缩放设置和超车区域注释。该数据集专为自动驾驶赛车、轨迹规划、仿真、路径跟踪、超车评估和强化学习环境开发而设计。MapZoo is a meticulously curated collection of 1:10 scale 2D racing maps, featuring center lines, optimized racing lines, speed scaling settings, and overtaking zone annotations. This dataset is specifically designed for the development of autonomous racing vehicles, trajectory planning, simulation, path tracking, overtaking evaluation, and reinforcement learning environments.

原始信息汇总

数据集总览

MapZoo 是一个精心整理的1:10比例二维赛车赛道数据集，包含32条赛道，总大小约230 MB。数据主要存储为PNG、YAML、CSV和JSON格式，便于在Python、ROS风格地图管道、Roboracer/F110类环境及自定义模拟器中使用。

核心特性

• 32条赛道: 包含多样化的基准赛道，从F1风格的赛道到室内及仓库类地图。
• 占据栅格地图格式: 提供.png和.yaml文件，兼容常见机器人地图管道。
• 中心线和赛车线: 每条赛道都提供采样的中心线和优化的赛车线CSV文件。
• 仿真就绪元数据: 每条赛道都提供速度缩放区域和超车区域标志。
• 开放可扩展结构: 添加新地图只需遵循相同的文件夹/文件约定。
• Race Stack兼容: 该数据集设计与ForzaETH Race Stack所需的地图格式对齐。

仓库结构

每条赛道存储在一个独立目录中，目录结构与文件命名约定如下：

text <track_name>/ ├── <track_name>.png # 占据栅格地图图像 ├── <track_name>.yaml # 地图元数据 ├── <track_name>-cent.png # 中心线导向地图图像 ├── <track_name>-cent.yaml # 中心线地图元数据 ├── <track_name>_centerline.csv # 采样赛道中心线 ├── <track_name>_racing_line.csv # 优化赛车线 ├── global_waypoints.json # 全局路径点、轨迹、标记、单圈时间元数据 ├── speed_scaling.yaml # 速度缩放区域 └── ot_sectors.yaml # 超车区域配置

赛道列表

数据集包含以下32条赛道，并提供了各赛道的中心线点数、赛车线点数、赛车线长度（米）和预估单圈时间（秒）等信息：

Austin, BrandsHatch, Budapest, Catalunya, IMS, Melbourne, MexicoCity, Montreal, Monza, MoscowRaceway, Norisring, Nuerburgring, Oschersleben, Sakhir, SaoPaulo, Sepang, Shanghai, Silverstone, Sochi, Spa, Spielberg, YasMarina, Zandvoort, berlin, f, hangar, mtl, overtake_map, torino, warehouse_v0, warehouse_v1, warehouse_v2。

文件格式说明

• 地图YAML文件: <track_name>.yaml 和 <track_name>-cent.yaml 描述了对应的PNG地图，包含分辨率、原点、占据阈值和空闲阈值等字段。
• 中心线和赛车线CSV文件: 使用分号分隔，包含路径点索引、弧长、坐标、到赛道边界的距离、航向角、曲率、参考速度和加速度等字段。赛车线文件包含优化的速度和加速度剖面。
• 全局路径点JSON文件: global_waypoints.json 存储更丰富的轨迹和可视化数据，包括预估单圈时间、中心线路径点、IQP和SP优化的全局轨迹路径点以及赛道边界标记。
• 速度缩放文件: speed_scaling.yaml 定义了赛道区域，可缩放参考速度，包含全局限制、区域数量和每个区域的起点、终点、缩放因子等。
• 超车区域文件: ot_sectors.yaml 定义了可启用超车行为的区域，包含区域数量、激进因子和每个区域的起点、终点、超车标志。

典型应用场景

• 自动驾驶赛车仿真
• Roboracer / F110风格规划实验
• 全局轨迹跟踪
• 本地规划器基准测试
• 多智能体赛车与对抗驾驶
• 超车策略开发
• 强化学习环境构建
• 轨迹优化与速度剖面分析
• 基于地图的定位与路径跟踪实验

引用

如果在学术工作中使用此数据集，请引用此仓库。

搜集汇总

数据集介绍

构建方式

在自主赛车与轨迹规划研究领域，高质量赛道地图是算法验证与仿真环境构建的核心基础。MapZoo数据集通过系统化的标准化流程构建，收录了32条1:10比例尺的二维赛车赛道。每条赛道均以独立文件夹形式组织，内部包含占用网格地图（PNG格式）及其YAML元数据文件、中心线与优化赛车线的CSV文件、全局路径点JSON文件、速度缩放与超车扇区配置文件。构建过程中，数据集遵循严格的命名约定与格式规范，确保中心线与赛车线保持在赛道边界内，并在YAML文件中明确分辨率和原点坐标，从而保障数据的一致性与可用性。

特点

MapZoo数据集以多样性、完整性与仿真兼容性为显著特色。赛道类型丰富多样，涵盖从F1风格赛道到室内仓库地图的广泛场景，可满足不同复杂度的基准测试需求。每条赛道均提供占用网格地图、中心线采样点与经过优化的赛车线CSV文件，其中赛车线还附带优化的速度与加速度剖面。数据集还包含速度缩放扇区与超车扇区配置，支持Follow-the-Gap等驾驶策略的模拟。此外，全局路径点JSON文件存储了丰富的轨迹与可视化标记信息，便于与ROS及ForzaETH Race Stack等系统无缝集成，大幅提升了在仿真环境中的即用性。

使用方法

使用MapZoo数据集时，用户首先通过Git克隆仓库至本地。加载数据仅需安装NumPy、Pandas、PyYAML等基础Python库。使用过程中，用户可通过YAML解析函数读取地图元数据，利用Pandas读取分隔符为分号的CSV文件获取中心线或赛车线，并通过JSON加载全局路径点以提取IQP或SP优化的轨迹。数据可视化则借助Matplotlib绘制中心线与赛车线的坐标点。该数据集直接适用于自主赛车仿真、轨迹跟踪、局部规划器基准测试、多智能体竞速、超车策略开发及强化学习环境构建等典型应用场景。

背景与挑战

背景概述

自主赛车领域的研究近年来蓬勃发展，然而标准化、高性能的测试地图数据集却相对匮乏，这严重制约了算法评估与迁移的可靠性。MapZoo数据集正是在此背景下应运而生，由Zhouheng Li于近期创建，旨在为1:10比例的自主赛车研究提供一套专业、全面的2D赛道地图集合。该数据集涵盖了32条风格迥异的赛道，从经典的F1赛道到室内仓库地图，每张地图均配备了占据栅格图、中心线、优化赛线、变速区域及超车区域等关键信息。MapZoo的发布为轨迹规划、路径跟踪、强化学习环境构建及超车策略开发等核心研究问题提供了标准化的基准测试平台，其与ForzaETH Race Stack的无缝兼容性，更将有力地推动自主赛车领域的可复现研究与技术迭代。

当前挑战

MapZoo数据集所应对的核心领域挑战，在于为自主赛车算法提供一个兼具多样性与高保真度的评测环境，以弥合仿真与真实赛道之间的鸿沟。具体而言，数据集面临的挑战包括：其一，赛道布局与拓扑结构的多样性不足可能导致算法过拟合，因此MapZoo需不断扩展以覆盖更具挑战性的地图类型；其二，构建过程中，从原始赛道信息中精确提取并生成高质量的中心线与优化赛线是一项艰巨任务，这要求解决轨迹平滑度与边界约束之间的平衡问题，并保证曲率、速度等动力学参数的一致性。此外，数据集的维护与更新也面临挑战，如何确保新增地图严格遵循现有的格式规范与验证标准，并长期保持其作为可靠基准的权威性，亦是MapZoo持续发展的关键所在。

常用场景

经典使用场景

在自主驾驶与机器人运动规划的研究领域中，MapZoo数据集凭借其丰富的1：10比例二维赛道地图，成为了轨迹优化与路径跟踪领域的标杆资源。研究者可利用其提供的中心线、优化赛车线及占据栅格地图，在诸如Roboracer和f110等经典仿真环境中，开展全局轨迹规划、局部路径重规划以及地图定位等实验。该数据集的多样性赛道涵盖了从F1级环道到仓库风格的多重场景，为算法鲁棒性的验证提供了统一基准。

解决学术问题

该数据集有效地解决了学术界自主赛车研究中标准化测试场景匮乏的瓶颈问题。通过整合32条包含精确赛道边界、曲率信息及速度剖面注释的地图，它使得研究者能够针对全局最速轨迹生成、多车竞速博弈、超车策略评估以及强化学习环境构建等关键方向展开可复现的量化比较。其提供的速度缩放分区与超车扇区标注，极大地促进了从理论模型到仿真验证的学术研究链条的闭环。

衍生相关工作

基于MapZoo标准化的地图结构与轨迹格式，衍生出了一系列推动自主赛车领域发展的相关工作。典型的工作包括基于IQP和SP优化的全局轨迹生成方法，它们利用数据集中包含的赛道边界与速度约束实现了实时最优轨迹计算。此外，针对超车策略，研究者依托该数据集搭建了强化学习环境，开发了基于扇区激活的局部避让规划器。同时，该数据集也催生了多种地图验证与可视化工具，助力了社区内算法可复现性的提升。