awesome-vehicle-datasets

一个收集了多种车辆相关数据集的仓库，包括自动驾驶、车辆检测、场景理解等多个类别的数据集。

A repository that collects a variety of vehicle-related datasets, including categories such as autonomous driving, vehicle detection, and scene understanding.

原始信息汇总

数据集概述

按名称列出的数据集

• Waymo Open Dataset
• Lyft Level 5 AV Dataset 2019
• nuScenes by Aptiv

按类别列出的数据集

3D

• Pedestrian
  • LCAS 3D People Detection: Lidar, PCD, Label
• Vehicle
  • Didi Challenge
  • KITTI
  • Autti
  • CrowdAI
  • Stanford Track Collection: 14,000 tracks, Lidar, Vehicle, human, motobike
  • TorontoCity benchmark: Lidar, Camera, Stereo Image
  • KAIST Urban Data Set

2D

• Scene
  • cityscapes-dataset
  • Large-Scale Point Cloud Classification Benchmark
  • Oakland: 2009, 2011, ~2 million labelled points
  • Sydney Urban Objects data set: 3D Velodyne LIDAR mounted on a car
  • IQmulus & TerraMobilita Contest: 3D Velodyne LIDAR mounted on a car
  • New College Dataset: 30 GB of data for 6 D.O.F. navigation and mapping
  • Malaga Dataset 2013: Dataset with GPS, Cameras and 3D laser information
  • Ford Campus Vision and Lidar Dataset: Dataset collected by a Ford F-250 pickup, equipped with IMU, Velodyne and Ladybug
  • Data61/2D3D Dataset
• Object
  • ImageNet
  • PASCAL VOC
  • COCO

Vehicle

• SYNTHIA Dataset
• Oxford Robot Car Dataset
• GTI

Traffic Sign

• BelgiumTS: 신호등 데이터셋
• GTSRB_Dataset

Pedestrian

• Caltech Pedestrian Detection Benchmark
• GM-ATCI Rear-view pedestrians dataset: Rear-View Pedestrians Dataset captured from a fisheye-lens camera
• Daimler Pedestrian Segmentation Benchmark Dataset: Contains tracking information and a large number of labeled bounding boxes
• Data61 Pedestrian Dataset: A large scale urban dataset collected in multiple cities/countries
• Robust Multi-Person Tracking from Mobile Platforms: Urban dataset captured from a stereo rig mounted on a stroller
• INRIA Person Dataset: CVPR 2005, Currently one of the most popular static pedestrian detection datasets
• Elektra: collection of pedestrian datasets including pedestrian videos acquired on-board, virtual-world pedestrians (with part annotations), and occluded pedestrians
• USC Pedestrian Detection Test Set: A number of fairly small pedestrian datasets taken largely from surveillance video
• MIT CBCL PEDESTRIAN DATABASE: One of the first pedestrian datasets, fairly small and relatively well solved at this point

其他类别

• 室内
  • NYU RGB-D Dataset: Indoor dataset captured with a Microsoft Kinect that provides semantic labels
• Wheel Angle
  • Comma.ai driving dataset: 자율 주행, 7.5 hours of camera images, steering angles, and other vehicle data
  • Udacity: Cameras, GPS, gear, brake, throttle, steering angles and speed
• Trip Record
  • NYC_TLC: 뉴욕택시운행기록
• Driver
  • Elektra Driver Face Dataset

未知类别

• Driving Datasets: Over 10 hours of driving data (LIDAR, camera frames and more)
• CMU Visual Localization Data Set: Dataset collected using the Navlab 11 equipped with IMU, GPS, Lidars and cameras
• The Rawseeds Project: Indoor and outdoor datasets with GPS, odometry, stereo, omnicam and laser measurements for visual, laser-based, omnidirectional, sonar and multi-sensor SLAM evaluation

搜集汇总

数据集介绍

构建方式

awesome-vehicle-datasets 数据集通过整合多个公开的自动驾驶相关数据集构建而成，涵盖了从3D点云到2D图像的多种数据类型。这些数据集主要来源于Waymo、Lyft、KITTI等知名机构，通过统一的索引和分类方式进行组织，便于用户快速查找和使用。数据集的构建过程中，特别注重了数据的多样性和覆盖范围，确保能够满足不同研究需求。

使用方法

使用awesome-vehicle-datasets数据集时，用户可以通过GitHub页面提供的分类和索引快速找到所需的数据集。每个数据集都附带了详细的README文件，介绍了数据的具体内容和使用方法。用户可以根据研究需求下载相应的数据集，并按照提供的指南进行数据处理和分析。此外，数据集还提供了与其他开源工具的兼容性，便于用户进行进一步的研究和开发。

背景与挑战

背景概述

awesome-vehicle-datasets是一个专注于自动驾驶和车辆相关研究的综合性数据集集合，涵盖了从3D点云到2D图像的多种数据类型。该数据集由多个知名机构和企业共同贡献，包括Waymo、Lyft、Aptiv等，旨在为自动驾驶技术的研发提供丰富的数据支持。其核心研究问题包括车辆检测、行人识别、交通标志识别以及场景理解等。自2019年以来，该数据集逐渐成为自动驾驶领域的重要资源，推动了相关算法的创新与优化。

当前挑战

awesome-vehicle-datasets在解决自动驾驶领域的复杂问题时面临多重挑战。首先，数据的高维性和多样性使得模型训练和特征提取变得极为复杂，尤其是在处理3D点云和多传感器融合数据时。其次，数据标注的准确性和一致性难以保证，特别是在动态场景中，车辆、行人和交通标志的快速变化增加了标注难度。此外，数据集的构建过程中，如何平衡数据规模与质量、如何确保数据的隐私与安全，以及如何实现跨数据集的兼容性与标准化，都是亟待解决的技术难题。

常用场景

经典使用场景

在自动驾驶技术的研究中，awesome-vehicle-datasets提供了丰富的多模态数据，包括激光雷达、摄像头和GPS等传感器数据。这些数据被广泛应用于车辆检测、行人识别、场景理解等任务，为自动驾驶算法的开发和验证提供了坚实的基础。

解决学术问题

该数据集解决了自动驾驶领域中的多个关键学术问题，如复杂环境下的目标检测与跟踪、多传感器数据融合、以及高精度地图构建。通过提供多样化的真实世界数据，研究者能够更有效地训练和评估模型，推动自动驾驶技术的进步。

实际应用

在实际应用中，awesome-vehicle-datasets被用于开发自动驾驶汽车的环境感知系统。这些系统能够实时识别道路上的车辆、行人、交通标志等，并做出相应的驾驶决策。此外，该数据集还被用于智能交通系统的开发，以提高道路安全性和交通效率。

数据集最近研究

最新研究方向

在自动驾驶领域，awesome-vehicle-datasets数据集的最新研究方向主要集中在多模态数据融合与高精度环境感知技术的开发。随着Waymo Open Dataset、Lyft Level 5 AV Dataset 2019以及nuScenes等大规模开放数据集的广泛应用，研究者们正致力于通过结合激光雷达、摄像头和雷达等多源传感器数据，提升车辆在复杂交通环境中的感知能力。特别是在3D目标检测与跟踪、语义分割以及场景理解等任务中，这些数据集为算法模型的训练与验证提供了丰富的真实场景数据。此外，随着深度学习技术的不断进步，基于这些数据集的端到端自动驾驶系统研究也成为了热点，推动了自动驾驶技术向更高层次的智能化与安全性迈进。