Awesome railway datasets|铁路数据集|点云数据数据集

精选的公开可用铁路相关数据集列表，使用点云数据捕获。

A curated list of publicly available railway-related datasets, captured using point cloud data.

原始信息汇总

数据集概述

Rail3D

• 网站: https://github.com/akharroubi/Rail3D
• 出版物: https://doi.org/10.3390/infrastructures9040071
• 传感器: 多种
• 长度: 2.1 km, 1.6 km, 2.0 km
• 许可证: 多种
• 年份: 2024-03-24
• 注意: 需要填写数据请求表

WHU-Railway3D

• 网站: https://github.com/WHU-USI3DV/WHU-Railway3D
• 传感器: Optech Lynx/HiScan-Z/HiRail rMMS
• 长度: 10.7 km, 10.6 km, 10.4 km
• 许可证: CC BY-NC-SA
• 年份: 2023-12-16
• 注意: 需要填写数据请求表

Hungarian MLS point clouds of railroad environment and annotated ground truth data

• 网站: https://doi.org/10.17632/ccxpzhx9dj.1
• 传感器: Riegl VMX-450
• 长度: 600 m, 1500 m, 100 m
• 许可证: CC BY NC 3.0
• 年份: 2022-04-04

Labelled high resolution point cloud dataset of 15 catenary arches in the Netherlands

• 网站: https://doi.org/10.4121/17048816.v1
• 出版物: https://doi.org/10.3390/s23010222
• 传感器: Trimble TX8 laser scanner using the level 2 operation mode
• 许可证: CC BY 4.0
• 年份: 2022-03-04

Annotated mobile laser scans of the Dutch railway environment

• 网站: https://doi.org/10.4121/fa259c52-a585-420c-8a0c-af5e91518e29.v1
• 传感器: Velodyne VLP-16
• 长度: 6.5 km, 2.9 km
• 许可证: CC BY-NC 4.0
• 年份: 2023-12-13
• 注意: 数据封存至2025-12-31，可申请早期访问

Open Sensor Data for Rail 2023 (OSDaR23)

• 网站: https://doi.org/10.57806/9mv146r0
• 传感器: 多传感器（图像/LiDaRs）
• 许可证: CC0 1.0 Universal (Annotation) 和 CC BY-SA 3.0 de (Sensor data)
• 年份: 2023-01-01

Nuage de points 3D des infrastructures ferroviaires

• 网站: https://ressources.data.sncf.com/explore/dataset/nuage-points-3d/information/
• 传感器: 列车安装的LiDAR
• 许可证: 开放数据库许可证 (ODbL)
• 年份: 2017-04-01

AI搜集汇总

数据集介绍

构建方式

该数据集集合了多个公开的铁路相关数据集，主要通过点云数据进行捕捉。其中，RailPC数据集通过HiScan-C传感器采集了超过30亿个点，并提供了16个类别的语义分割标签。Rail3D数据集则基于匈牙利MLS和法国SNCF等现有数据集，整合了9个类别的语义分割标签。WHU-Railway3D数据集则涵盖了城市、乡村和高原三种环境，分别使用不同的传感器进行采集，提供了11个类别的语义分割标签。这些数据集的构建方式均依赖于高精度的激光扫描技术，确保了数据的精确性和多样性。

特点

该数据集集合的特点在于其多样性和高精度。首先，数据集涵盖了多种环境，包括城市、乡村和高原，提供了丰富的场景多样性。其次，每个数据集都提供了详细的语义分割标签，支持多种类别的分类任务。此外，数据集的传感器类型多样，包括HiScan-C、Optech Lynx、HiScan-Z等，确保了数据的广泛适用性。最后，部分数据集还提供了高分辨率的点云数据，适用于需要高精度建模的应用场景。

使用方法

该数据集集合适用于多种铁路相关的研究任务，包括但不限于语义分割、目标检测和环境建模。用户可以根据研究需求选择合适的数据集，并通过访问相应的网站或提交数据请求表单获取数据。对于需要高精度点云数据的研究，可以选择RailPC或WHU-Railway3D等数据集。对于需要多源数据融合的研究，可以选择Rail3D或OSDaR23等数据集。在使用数据时，用户需遵守各数据集的许可协议，并注意部分数据集可能需要提前申请访问权限。

背景与挑战

背景概述

铁路数据集的兴起源于对铁路基础设施智能化管理的需求。随着铁路系统的复杂性和规模不断增加，传统的维护和管理方法已难以满足现代化的需求。因此，利用点云数据进行铁路环境的精确建模和分析成为研究热点。Awesome railway datasets汇集了多个公开的铁路相关数据集，涵盖了从2017年至今的多种传感器采集的数据，包括RailPC、Rail3D、WHU-Railway3D等。这些数据集不仅提供了丰富的语义分割标签，还涵盖了从城市到乡村、高原等多种环境，为铁路基础设施的自动化检测、维护和优化提供了宝贵的资源。

当前挑战

尽管铁路数据集在推动铁路智能化方面具有重要意义，但其构建和应用仍面临诸多挑战。首先，点云数据的采集和处理需要高精度的传感器和复杂的算法，数据量庞大且处理成本高昂。其次，不同数据集的传感器类型、采集环境和标注标准各异，导致数据集之间的兼容性和可比性较差。此外，部分数据集的获取需要填写申请表或发送邮件，增加了数据获取的复杂性。最后，铁路环境的复杂性和多样性使得语义分割和目标识别任务变得尤为困难，尤其是在不同地理和气候条件下，模型的泛化能力面临严峻考验。

常用场景

经典使用场景

在铁路工程与智能交通领域，Awesome railway datasets凭借其丰富的点云数据和详细的语义分割标签，成为研究铁路基础设施状态监测与维护的经典数据集。特别是RailPC、Rail3D和WHU-Railway3D等子数据集，提供了多样的环境（如城市、乡村和高原）和传感器类型，支持深度学习模型在铁路场景中的语义分割任务，从而实现对轨道、电缆、信号系统等关键设施的自动化识别与分析。

实际应用

在实际应用中，Awesome railway datasets为铁路基础设施的智能维护提供了强有力的支持。例如，铁路公司可以利用该数据集训练的模型，实时监测轨道、电缆和信号系统的状态，及时发现潜在故障并进行预测性维护。此外，该数据集还可用于开发自动驾驶列车所需的感知系统，提升列车在复杂环境中的运行安全性与可靠性。

衍生相关工作

基于Awesome railway datasets，研究者们开展了多项经典工作，包括点云数据的深度学习模型优化、多传感器融合技术以及铁路场景下的语义分割算法。例如，Rail3D数据集的发布促进了基于多源数据融合的铁路环境建模研究，而WHU-Railway3D则为高原、城市和乡村等不同环境下的铁路检测提供了统一的基准。这些工作不仅推动了铁路智能化技术的发展，也为其他领域的点云数据处理提供了借鉴。