载运装备行车视频数据集

1. 研究背景 随着自动驾驶技术的飞速发展,对高精度、全量全时全域的交通数据的需求日益迫切。本数据集旨在通过车载多传感器采集系统,为自动驾驶感知算法训练、车辆行为预测等研究提供高质量数据支持。 近年来,自动驾驶技术正由规则驱动加速转向数据驱动。无论是环境感知中的三维目标检测、多目标跟踪,还是下游的行为预测、轨迹规划与仿真验证,其性能上限都高度依赖真实道路数据的规模、场景多样性与标注质量。与仿真数据相比,真实道路数据能够保留传感器噪声特性、目标遮挡关系与驾驶行为的细微差异,是模型泛化能力的决定性因素之一。因此,"全量、全时、全域"的高质量交通数据已成为自动驾驶研发的基础设施。 然而,现有公开数据集仍存在明显不足。其一,多数数据采集于欧美城市或高速公路,道路几何结构、交通参与者构成、标志标线与驾驶行为习惯与国内道路环境存在差异,跨区域应用时会出现明显的域间隙;其二,园区内部道路、收费杆、停车场出入口等低速复杂场景的覆盖相对有限,而这类场景恰恰是自动驾驶功能落地的关键环节;其三,部分数据集侧重单一传感器或单一任务,难以支撑多传感器融合研究。 三维目标检测与标注是解决上述问题的核心环节。三维边界框标注不仅提供目标的位置与尺寸信息,其朝向标注更是多目标跟踪、行为预测与碰撞风险估计的前提;同时,逐帧一致的标注还使数据集能够直接支持检测、跟踪、轨迹预测等多类任务的联合评测。因此,构建带有高精度三维标注、覆盖国内典型城市与园区道路场景的数据集,具有明确的科研与工程价值。同时在工程实现上,高质量数据的获取通常依赖严格的多传感器时间同步与空间标定、可靠的组合导航定位、以及"预标注+人工校验+多轮抽检"的标注流程。本数据集在采集与标注环节均遵循上述要求,并提供逐帧标注文件与可视化视频,便于研究人员快速开展数据验证与算法评测。 本数据集正是面向上述需求构建的。数据采集于北京市中关村软件园一期,涵盖城市道路、园区内部道路、交叉路口、停车场等典型场景,共包含4个采集日、188个驾驶场景片段、7418帧前视图像及其对应的三维目标标注,可直接用于三维目标检测、多目标跟踪、驾驶行为分析与场景仿真的研究。 2. 数据集概述 车载视角数据集基于部署在采集车辆上的高精度多传感器系统(前视高清摄像头、激光雷达、毫米波雷达、GNSS/IMU),以第一人称视角记录车辆在真实道路环境中的行驶过程,并辅以3D Bounding Box标注信息。 采集地点位于北京市中关村软件园一期,涵盖城市道路、园区内部道路、交叉路口、停车场等多种典型交通场景。 图1 采集地点位置(百度地图) 图2 中关村软件园一期实景 2.1 数据采集与处理 原始数据经过数据清洗、滤波、时间同步、坐标系对齐等预处理,利用轨迹重构算法整合成连续车辆轨迹,并通过多传感器融合生成高精度3D目标检测结果。 其中,前视相机视场角为 120°(对应数据目录中的 front_120),输出图像分辨率为 1920×1080,图像采样间隔约 1 s;所有模态数据在统一时间基准下完成同步,并统一至车辆坐标系,为逐帧三维标注与后续多传感器融合提供一致的几何基准。 2.2 车载视角示例 图3 车载摄像头采集视角示例 2.3 数据组织与规模 数据集按采集日期组织为 4 个数据文件夹:20240805视频数据、20240808视频数据、20240809视频数据、20240816视频数据。每个日期文件夹下按驾驶场景片段划分为若干子文件夹,并包含一个Video_5fps子目录用于存放该日期各片段的5fps预览视频。 子文件夹命名规则为"序号_场景描述_起始时间戳-结束时间戳",其中时间戳为自 UTC 1970-01-01 00:00:00 起的毫秒数;片段内的每一帧以"帧时间戳.jpg"(前视图像)与"帧时间戳.csv"(该帧的三维标注)成对保存,同一帧的两个文件主文件名完全一致,可依据文件名一一对应(个别片段名称中描述与时间戳之间缺少下划线分隔符,不影响文件的对应关系)。各采集日的数据规模统计如表1所示。 表 1 各采集日数据规模统计 采集日期 场景片段数 图像帧数(jpg) 标注文件数(csv) 时间跨度 预览视频数 图像数据量 20240805 80 2263 2248 约 38 分钟 80 1.62 GB 20240808 25 1810 1810 约 47 分钟 25 1.27 GB 20240809 63 1711 1711 约 49 分钟 63 0.77 GB 20240816 20 1634 1634 约 34 分钟 20 0.91 GB 合计 188 7418 7403 约 2.8 小时 188 4.56 GB 2.4 驾驶场景构成与归类 依据各片段名称中的场景描述,对188个片段进行归纳整理,可划分为13类 Full Dataset Download URL: https://www.openits.cn/articles/237