Voxel51/STONE

STONE是一个用于越野3D可通行性预测的大规模多模态数据集，由自主地面车辆（UGV）在韩国四个户外环境中收集。数据集遵循nuScenes格式，提供7,000个关键帧，包括来自6个摄像头的环绕视图图像（分辨率1904×1200）、128通道LiDAR扫描（约230,400点）以及体素级可通行性注释，将地形分类为自由、可通行、潜在可通行和不可通行区域。此外，数据集包含3D障碍物边界框、自我姿态轨迹和约10 Hz的同步多传感器数据。这个FiftyOne版本是从完整的279个场景集合中分层抽取的35个场景（每个场景200帧），组织为分组样本，每个关键帧有7个切片（对应6个摄像头和1个LiDAR 3D场景）。STONE is a large-scale multi-modal dataset for off-road 3D traversability prediction, collected by autonomous ground vehicles across four outdoor environments in South Korea. It provides 7,000 keyframes with surround-view imagery from 6 cameras (1904×1200), 128-channel LiDAR scans (230K points), and voxel-level traversability annotations classifying terrain into free, traversable, potentially traversable, and non-traversable regions. Following the nuScenes format, the dataset includes 3D obstacle bounding boxes, ego-pose trajectories, and synchronized multi-sensor data at ~10 Hz. This FiftyOne version contains a stratified sample of 35 scenes (200 frames each) from the full 279-scene collection, organized as grouped samples with 7 slices per keyframe (6 cameras + 1 LiDAR 3D scene).

搜集汇总

数据集介绍

构建方式

STONE数据集专为越野环境下的三维可通行性预测而设计，由自主地面车辆在韩国四类户外场景中采集完成。其构建遵循nuScenes格式，涵盖6个环视相机（1904×1200分辨率）、128线激光雷达扫描（23万点）及体素级可通行性标注，将地形划分为自由、可通行、潜在可通行与不可通行四类。此FiftyOne版本从完整279个场景中分层抽取35个场景，每场景200帧，共7000个关键帧，并以分组样本形式组织，每关键帧包含7个切片（6个相机图像与1个激光雷达三维场景）。

特点

该数据集的核心特点在于其多模态、高精度与结构化设计。环视影像与密集激光雷达点云相互补充，提供全向感知能力；体素级标注实现了对越野地形粒度的精细刻画，且分类体系直击无人车导航核心需求。三维障碍物边界框、自车位姿轨迹与同步多传感器数据以约10Hz频率记录，确保了时空一致性。FiftyOne版本进一步通过分组结构简化了数据操作，每个关键帧下7个切片天然对齐，便于多模态融合分析。

使用方法

使用此数据集需借助FiftyOne库，通过`pip install -U fiftyone`完成安装。加载时调用`load_from_hub("Voxel51/STONE")`即可获得包含7000个样本的dataset对象，支持`max_samples`等参数进行子集抽取。加载后可直接启动Fiftyone应用进行可视化浏览与交互分析。每个样本的标签涵盖地形分类、3D/2D检测框及轨迹投影，用户可通过标准FiftyOne API灵活访问并适配至自身模型训练与评估流程。

背景与挑战

背景概述

STONE数据集由韩国研究团队于2026年在ICRA会议上发布，旨在解决越野环境下无人地面车辆（UGV）的3D可通行性预测问题。该数据集由多个机构联合创建，覆盖韩国四种户外地形，包含7,000个关键帧，每帧配备六视角环视图像（1904×1200）、128线激光雷达点云（23万点）以及体素级可通行性标注，将地形划分为自由、可通行、潜在可通行和不可通行四类。其采用nuScenes格式，同步多传感器数据（~10 Hz），并提供3D障碍物边界框、自车位姿轨迹等元信息。STONE填补了越野场景多模态可通行性数据集的空白，为自动驾驶和机器人导航领域提供了高精度、多样化的基准，推动了非结构化环境感知与规划算法的研究。

当前挑战

STONE数据集面临的挑战包括：1) 所解决的领域问题——越野环境下的3D可通行性预测，需处理复杂地形（如泥泞、植被、碎石）与动态障碍物，传统基于平面假设的通行性评估难以适应非结构化场景；2) 构建过程中遇到的困难——多传感器同步校准（6相机+128线LiDAR）在剧烈振动与崎岖路面下的精度保障，体素级标注（200×200×16网格，0.2m分辨率）要求人工与自动方法结合以平衡效率与准确性，且四类可通行性标签的定义需兼顾主观判断与客观物理属性（如坡度、摩擦系数），跨场景（湖泊、农田、空地）的标注一致性也难以维护。

常用场景

经典使用场景

STONE数据集在自动驾驶与野外机器人导航领域占据着举足轻重的地位，其最为经典的使用场景聚焦于多模态融合的越野环境可通行性预测。该数据集凭借7,000个关键帧中涵盖的六目环绕图像、高分辨率128线激光雷达点云及体素级别的地形通过性标注，为研究者提供了从感知到理解的完整闭环。通过将地面场景精细划分为自由、可通行、潜在可通行和不可通行四类，STONE不仅支持经典的语义分割与目标检测任务，更推动了基于鸟瞰视角的端到端可通行性建模，成为连接原始传感器数据与高级导航决策的桥梁。

衍生相关工作

STONE数据集衍生出的相关工作深刻影响了智能感知领域的发展方向。基于其多模态架构，研究者相继提出了针对越野场景的体素占据网络、时序可通行性预测模型以及跨传感器知识蒸馏框架，显著提升了在极端天气与光照变化下的判别稳定性。此外，围绕该数据集构建的挑战赛与开源基准，催生了如FusionTransformer、TerrainPose等代表性算法，这些工作不仅将3D目标检测与地形分类相融合，更启发了结合高度图与语义标签的联合表征学习方法，推动了非结构化环境感知从单帧处理向时空一致性的范式跃迁。

数据集最近研究

最新研究方向

在非结构化越野环境下的自主导航领域，STONE数据集正引领着多模态可穿越性预测的前沿探索。该数据集依托环绕视图相机、128线激光雷达及体素级地形标注（自由、可穿越、潜在可穿越、不可穿越），为地面无人车提供了跨越韩国四类户外场景的大规模基准。其与nuScenes格式的兼容性及3D障碍物框、自车位姿轨迹的同步输出，显著促进了跨模态感知与语义理解的研究融合。尤其在ICRA 2026上发表的配套工作，通过分层采样策略与多传感器组结构，推动了恶劣地形中鲁棒导航算法的验证，对于农业、矿区及救援场景中的全地形机器人部署具有里程碑式的实用意义。