madhurbehl/RACECAR_DATA

RACECAR数据集是首个用于全尺寸高速自动驾驶赛车的开放数据集。数据来自2021-22年Indy Autonomous Challenge比赛中六支队伍的贡献，涵盖了11个不同的赛车场景，包括单人圈、多车圈、超车、高速加速、倾斜赛道、障碍物避让、不同速度下的进站和出站等。数据集以ROS2和nuScenes格式发布，并提供了ROS2到nuScenes的转换库。数据集的特点是高速环境下的自动驾驶赛车，适合研究定位、目标检测与跟踪（LiDAR、雷达和摄像头）以及地图构建等问题。RACECAR数据集是首个用于全尺寸高速自动驾驶赛车的开放数据集。数据来自2021-22年Indy Autonomous Challenge比赛中六支队伍的贡献，涵盖了11个不同的赛车场景，包括单人圈、多车圈、超车、高速加速、倾斜赛道、障碍物避让、不同速度下的进站和出站等。数据集以ROS2和nuScenes格式发布，并提供了ROS2到nuScenes的转换库。数据集的特点是高速环境下的自动驾驶赛车，适合研究定位、目标检测与跟踪（LiDAR、雷达和摄像头）以及地图构建等问题。

原始信息汇总

RACECAR Dataset 概述

数据集基本信息

• 名称: RACECAR Dataset
• 许可证: Creative Commons Attribution-NonCommercial 4.0 International Public License (CC BY-NC 4.0)
• 任务类别:
  • Robotics
  • Object-Detection
• 语言: English
• 标签:
  • Autonomous Racing
  • Autonomous Vehicles
  • Perception
• 美观名称: racecar
• 大小类别: 10K<n<100K

数据集描述

RACECAR Dataset 是首个针对全尺寸和高速度自动驾驶赛车的开放数据集。该数据集收集了多模态传感器数据，来自完全自主的印地赛车，最高速度可达170 mph (273 kph)。数据集涵盖了11种有趣的赛车场景，包括单独圈速、多车圈速、超车情况、高加速度、倾斜赛道、障碍物避让、维修站进出等不同速度情况。

数据格式

数据集以 ROS2 和 nuScenes 格式发布，并开发了 ROS2-to-nuScenes 转换库以实现格式转换。

数据组织

数据集根目录下有两个文件夹，分别存放 ROS2 和 nuScenes 格式的数据。

├── data │ ├── RACECAR nuScenes │ ├── RACECAR

场景描述

每个记录的自主运行都根据场景描述进行分类，指示运行速度范围、赛道位置以及是否为多车运行。还指定了哪些团队为每个场景做出了贡献。

数据结构

ROS2 数据结构

ROS2 文件夹结构按场景组织，每个场景文件夹包含一系列 rosbags。rosbags 根据贡献的赛车团队和简短的场景描述命名。

nuScenes 数据结构

nuScenes 数据集结构与原始 nuScenes 格式略有不同。首先，我们将每个 ROS2 包分类为一个场景，而不是将其分割为20秒的间隔。其次，由于缺少注释，我们的数据集在 Annotation 或 Taxonomy JSON 文件中没有条目。

教程

数据集提供了多个教程，包括 ROS2 可视化、定位和 nuScenes Jupyter Notebook 等。

数据集贡献者

数据集由六个团队贡献，这些团队在2021-22年期间参加了 Indy Autonomous Challenge。

搜集汇总

数据集介绍

构建方式

RACECAR数据集的构建源于九支车队在2021-2022年间参加的Indy Autonomous Challenge比赛。这些车队使用配备了三台雷达、六台针孔相机和三台固态LiDAR的AV-21 Indy Lights赛车，在印第安纳波利斯赛车场和拉斯维加斯赛车场进行了两次比赛，收集了多模态传感器数据。数据集涵盖了11种有趣的赛车场景，包括单圈、多车圈、超车情况、高速加速、有坡度的赛道、避障、不同速度的维修站入口和出口。数据以ROS2和nuScenes两种格式组织和发布。

使用方法

RACECAR数据集的使用方法包括下载、解压、数据处理和可视化等步骤。用户可以使用AWS CLI或URL下载数据，并使用ROS2或nuScenes提供的工具进行处理和可视化。数据集还提供了教程，包括ROS2可视化、定位和nuScenes Jupyter Notebook等，帮助用户更好地理解和应用数据集。

背景与挑战

背景概述

RACECAR数据集，全称为“Racing Autonomous Cars with End-to-End Learning and Reinforcement”，是一个用于全尺寸和高速度自动驾驶赛车的开放数据集。该数据集由参与2021-2022年Indy Autonomous Challenge的六支队伍共同贡献，收集了在最高时速达到170英里（273公里/小时）的Indy赛车上的多模态传感器数据。数据集覆盖了11种有趣的赛车场景，包括单圈、多车圈、超车、高加速、倾斜赛道、避障、不同速度的进站和出站等。数据以ROS2和nuScenes两种格式组织和发布，并提供了ROS2-to-nuScenes转换库。RACECAR数据集的独特之处在于其高速度的自动驾驶赛车环境，非常适合探索自动驾驶车辆在操作极限时出现的定位、目标检测和跟踪（激光雷达、雷达和摄像头）、以及地图构建等问题。

当前挑战

RACECAR数据集面临的挑战主要包括：1) 解决领域问题：该数据集旨在解决自动驾驶赛车在高速度环境下遇到的定位、目标检测和跟踪、以及地图构建等挑战。2) 构建过程中的挑战：数据集的构建过程中，需要处理多模态传感器数据，包括激光雷达、雷达和摄像头等，这需要解决数据融合、时间同步和坐标系转换等问题。此外，数据集的规模和复杂性也给数据处理和分析带来了挑战。

常用场景

经典使用场景

RACECAR数据集在自动驾驶赛车领域具有开创性意义，它为研究人员提供了高速度、全尺寸自动驾驶赛车所需的多模态传感器数据。这些数据包括来自最高时速可达170英里/小时（273公里/小时）的Indy赛车在拉斯维加斯和印第安纳波利斯赛道上的运行情况。该数据集涵盖了11种有趣的赛车场景，包括单人圈、多车圈、超车、高速加速、弯道、避障、不同速度的维修站进出等。数据集以ROS2和nuScenes格式组织并发布，并提供了ROS2到nuScenes的转换库。RACECAR数据集的独特之处在于其高速度的自动驾驶赛车环境，适合探索自动驾驶车辆在操作极限时出现的定位、物体检测和跟踪（激光雷达、雷达和相机）以及地图绘制等问题。

解决学术问题

RACECAR数据集解决了自动驾驶赛车领域的一系列学术研究问题。首先，它提供了高速度环境下的自动驾驶赛车数据，这对于研究自动驾驶车辆在极限操作条件下的性能至关重要。其次，数据集包含了多模态传感器数据，有助于研究人员探索不同传感器融合算法的有效性。此外，RACECAR数据集还涵盖了多种赛车场景，为自动驾驶车辆的决策和控制算法提供了丰富的测试数据。这些研究成果对于推动自动驾驶赛车技术的发展具有重要意义。

实际应用

RACECAR数据集在实际应用场景中具有广泛的应用前景。首先，它可以帮助自动驾驶汽车制造商测试和改进其车辆的性能，尤其是在高速度和复杂赛道环境下的表现。其次，数据集可以用于开发更先进的传感器融合算法，以提高自动驾驶车辆的感知能力和决策速度。此外，RACECAR数据集还可以用于训练自动驾驶车辆的驾驶员辅助系统，例如自动紧急制动、车道保持辅助等，以提高驾驶安全性。总之，RACECAR数据集为自动驾驶汽车行业的发展提供了宝贵的资源。

数据集最近研究

最新研究方向

在自动驾驶汽车领域，RACECAR数据集因其全尺寸和高速度的特性，为研究自动驾驶汽车的感知、定位和跟踪问题提供了宝贵资源。该数据集收集了在印第安纳波利斯赛车场和拉斯维加斯赛车场进行比赛的自动驾驶印第安纳波利斯赛车在最高速度可达170英里/小时（273公里/小时）下的多模态传感器数据。这些数据涵盖了11个有趣的赛车场景，包括单圈、多车圈、超车、高速加速、倾斜赛道、避障、不同速度的维修站进出等。RACECAR数据集的独特之处在于其高速度的环境，这对于探索自动驾驶汽车在极限操作条件下的定位、物体检测和跟踪（激光雷达、雷达和摄像头）以及地图构建问题具有重要意义。