Urban Mission Planning Agent Dataset

参与者必须在高分辨率航空TIFF图像上生成任务起点和终点之间的道路约束像素路径。目标是提交每个测试图像的合理道路路径（像素坐标）；提供的评估器根据长度和偏离道路违规情况对提交内容进行评分。数据集包括训练/参考数据和测试输入，具体包括卫星TIFF图像、组织者提供的道路掩码（参考）和示例解决方案JSON文件。

Participants are required to generate road-constrained pixel-wise paths between the task-defined start and end points on high-resolution aerial TIFF images. The objective is to submit plausible road paths (in pixel coordinates) for each test image; the provided evaluator scores submissions based on path length and road deviation violations. The dataset includes training/reference data and test inputs, specifically consisting of satellite TIFF images, organizer-provided reference road masks, and example solution JSON files.

原始信息汇总

数据集概述

数据集目的

参与者需在高分辨率航空TIFF图像上，为给定的任务起点和终点生成受道路约束的像素路径。目标是提交每个测试图像中合理的道路路径（像素坐标），官方提供的评估器将根据路径长度和偏离道路的违规情况对提交结果进行评分。

数据集结构

• reference/ — 训练/参考数据
  • sats/ — 卫星TIFF图像（原始分辨率）
  • maps/ — 组织方提供的道路掩码（参考）
  • solutions/ — 示例解决方案JSON文件（50项）
• test/ — 测试输入数据
  • sats/ — 测试卫星TIFF图像（10项：test_001.tiff 至 test_010.tiff）

任务输入

• 卫星图像：单张RGB TIFF格式图像，原始分辨率。
• 任务：起点和终点的像素坐标（格式：[x, y]）。原点位于左上角；x向右递增，y向下递增。

提交格式

• 每个测试样本提交一个JSON记录。代码库中包含示例文件：example_submission.json。

• 每个条目必须为符合以下模式的JSON对象：

  { "id": "test_001", "path": [[x1,y1],[x2,y2],...] }

• 要求：

  • id 必须与测试文件名匹配（例如 test_001）。
  • path 必须至少包含两个点。
  • 所有坐标必须为整数且在图像边界内。
  • 路径应保持在道路上以避免违规。

评估方法

官方评估器计算得分： 得分 = 1000 - 路径长度 - 50 × 违规次数

• 路径长度 是折线段上以像素为单位的累计欧几里得距离。
• 违规次数 统计偏离道路的轨迹、越界点及其他无效移动。评估器将提交的线段与官方地图掩码进行栅格化比对，以检测线段级别的偏离道路情况。
• 建议：尽可能保持路径紧凑并沿道路中心线行驶；避免不必要的抖动——更短、有效的路径得分更高。

提交生成步骤

1. 为 test/sats/ 中的每个测试TIFF图像计算一条路径（[x,y] 像素坐标列表）。
2. 根据上述模式，为每个测试图像创建一个JSON对象。
3. 将对象合并为单个JSON数组（或根据外部排行榜要求，为每个测试提供一个JSON文件）。

参考与联系

• 如有疑问，请在项目GitHub上提交问题：https://github.com/SamyakSS83/ump_data

搜集汇总

数据集介绍

构建方式

在智能体路径规划研究领域，数据集的构建需紧密贴合真实城市场景。Urban Mission Planning Agent Dataset的构建依托高分辨率航空遥感TIFF图像，这些图像作为基础地理信息载体，清晰呈现了城市路网结构。数据集通过组织方提供的道路掩码作为参考标准，并包含了50条示例解决方案，为训练与验证提供了基准。测试部分则包含10幅独立的卫星图像，每幅图像均附有特定的起点与终点像素坐标，共同构成了一个专注于道路约束下路径规划的评估环境。

特点

该数据集的核心特点在于其任务驱动的设计理念与精细的评估机制。所有任务均要求智能体在给定的高分辨率卫星图像上，生成严格受道路网络约束的像素级路径。数据集提供了官方的道路掩码作为真值参考，确保了评估的客观性。其评分函数巧妙地将路径长度与偏离道路的违规次数相结合，鼓励算法在寻找最短路径的同时，必须严格遵守道路约束，这模拟了现实世界中车辆导航对合规性与效率的双重要求。

使用方法

使用该数据集进行算法开发与评估，需遵循结构化的流程。研究者首先需针对测试集中的每幅TIFF图像，根据给定的起点与终点坐标，计算出一条由像素坐标序列构成的路径。生成的路径需封装为符合特定模式的JSON对象，其中包含与测试文件对应的ID以及坐标点列表。最终，所有测试样本的结果需汇总为一个JSON数组提交。官方提供的评估脚本将自动计算路径长度并检测偏离道路的违规行为，据此得出综合评分，为算法性能提供量化比较。

背景与挑战

背景概述

Urban Mission Planning Agent Dataset 诞生于2023年，由SamyakSS83等研究团队构建，旨在推动城市环境中自主任务规划算法的研究。该数据集聚焦于高分辨率航空影像上的道路约束路径规划问题，核心研究问题是如何在复杂的城市街景中，基于卫星图像自动生成符合道路网络的可行路径。通过提供真实的卫星图像与对应的道路掩码，该数据集为计算机视觉与机器人领域的路径规划模型提供了标准化的评估基准，显著促进了智能导航与城市计算领域的算法发展。

当前挑战

该数据集致力于解决城市环境中的自主路径规划挑战，其核心难点在于如何从高分辨率卫星图像中准确识别道路网络，并生成既短程又严格遵循道路约束的可行路径。构建过程中的挑战包括：高分辨率影像的数据标注需要精确的道路掩码，这依赖于大量人工或半自动的标注工作；同时，确保路径在像素级别上贴合道路中心线，避免偏离或抖动，对算法的鲁棒性与计算效率提出了较高要求。

常用场景

经典使用场景

在城市规划与自主导航领域，Urban Mission Planning Agent Dataset 为研究者提供了一个经典的使用场景：基于高分辨率航空影像生成道路约束的像素路径。该数据集要求参与者利用卫星TIFF图像，在给定的起点和终点之间规划出合理的道路路径，并通过评估器对路径长度和偏离道路违规进行评分。这一场景模拟了现实世界中无人车或无人机在城市环境中进行路径规划的核心挑战，即如何在复杂的道路网络中高效、准确地导航，同时严格遵守道路约束条件。数据集的设计鼓励算法在保持路径紧凑性的同时，尽可能贴近道路中心线，从而为城市任务规划算法的开发与评估提供了标准化平台。

衍生相关工作

围绕该数据集，已衍生出多项经典研究工作，主要集中在基于深度学习的端到端路径规划算法上。例如，一些研究利用卷积神经网络直接从卫星图像中提取道路特征，并结合强化学习框架优化路径生成过程，以最小化长度和违规次数。另一些工作则探索了图神经网络在道路网络建模中的应用，将像素级图像转换为图结构，从而更高效地进行路径搜索。这些衍生工作不仅推动了视觉导航算法的进步，还促进了多模态数据融合技术的发展，如结合激光雷达点云或实时交通信息以增强规划的鲁棒性。相关成果已在机器人顶会和国际期刊上发表，为城市任务规划领域奠定了坚实的算法基础。

数据集最近研究

最新研究方向

在智能城市与自主导航领域，Urban Mission Planning Agent Dataset为基于高分辨率航空图像的路径规划研究提供了关键基准。当前前沿方向聚焦于融合深度学习与强化学习模型，以生成受道路约束的像素级路径，同时优化路径长度与离轨违规的平衡。热点事件涉及多智能体协同规划与实时动态环境适应，推动自动驾驶和无人机配送等应用场景的算法创新。该数据集通过标准化评估框架，促进了可扩展且鲁棒的路径规划解决方案的发展，对提升城市任务自动化系统的安全性与效率具有深远意义。