awesome-lidar

这是一个关于LIDAR传感器及其应用的精选列表合集，覆盖LIDAR硬件制造商、数据集、点云处理算法、点云框架和模拟器等领域。合集主要收集和索引多个LIDAR相关数据集资源，并按照制造商、数据集、库、框架、算法、模拟器等类别进行组织，旨在为LIDAR技术提供全面的资源目录。This is a curated collection focused on LIDAR sensors and their applications, covering domains including LIDAR hardware manufacturers, datasets, point cloud processing algorithms, point cloud frameworks and simulators. It primarily collects and indexes multiple LIDAR-related dataset resources, organizes them into categories such as manufacturers, datasets, libraries, frameworks, algorithms and simulators, aiming to provide a comprehensive resource directory for LIDAR technology.

原始信息汇总

数据集概述

该页面为 Awesome LIDAR 资源列表，汇集了激光雷达（LIDAR）相关的传感器、数据集、算法、框架等。以下为其中 数据集（Datasets） 部分的具体内容总结。

核心信息

• 类型：公开可用的自动驾驶/机器人相关激光雷达数据集。
• 用途：支持点云处理、3D目标检测、语义分割、SLAM、运动预测等研究。

数据集清单

数据集名称	来源/机构	主要特点	主要应用场景	相关资源
Ford Dataset	福特	时间戳标记，包含传感器原始数据、标定值、轨迹、真实位姿和3D地图；兼容ROS。	自动驾驶、定位与建图	论文、GitHub仓库
Audi A2D2 Dataset	奥迪	包含2D语义分割、3D点云、3D边界框和车辆总线数据。	自动驾驶感知	论文
Waymo Open Dataset	Waymo	包含独立生成的激光雷达和相机数据标签，非简单投影。	自动驾驶感知	-
Oxford RobotCar	牛津大学	在牛津固定路线重复采集超过一年，包含100+次数据。	长期定位、场景变化	论文、YouTube频道
EU Long-term Dataset	UTBM	使用搭载多种传感器的采集车在法国蒙贝利亚尔采集，含市中心（长期）和郊区（环岛）数据，车速≤50km/h。	长期自主驾驶	-
NuScenes	nuTonomy	大型公开自动驾驶数据集。	多模态感知	论文
Lyft	Lyft	由福特Fusion车队采集，配备激光雷达和相机。	自动驾驶感知	-
KITTI	KIT	广泛使用的公开数据集，主要聚焦计算机视觉，也包含激光雷达点云；兼容ROS。	计算机视觉、点云处理	-
Semantic KITTI	KIT	用于语义和全景场景分割的数据集。	语义分割、全景分割	YouTube视频
CADC	滑铁卢大学	大型公开数据集，专注于恶劣天气（雪天）下的自动驾驶。	恶劣天气下的感知	论文
UofTPed50 Dataset	多伦多大学	包含GPS/IMU、3D激光雷达和单目相机数据，可用于3D行人检测。	3D行人检测	论文
PandaSet Open Dataset	Hesai & Scale	大型公开数据集，使用真实自动驾驶汽车全部传感器套件，研究复杂城市驾驶场景。	城市驾驶场景研究	-
Cirrus dataset	沃尔沃	使用Luminar Hydra激光雷达，关注非均匀扫描模式的长距离数据。	长距离点云分析	论文
USyd Dataset	悉尼大学	在悉尼大学校园及周边持续采集1.5年，包含多种传感器模态和环境条件；兼容ROS。	长期、大范围定位	论文
Brno Urban Dataset	BUT	捷克布尔诺的导航与定位数据集，用于自动驾驶和自主机器人。	导航、定位	论文、GitHub仓库、YouTube视频
Argoverse	Argo AI	支持3D跟踪和运动预测，采集于美国匹兹堡和迈阿密。	3D跟踪、运动预测	论文、YouTube视频、GitHub仓库
Boreas Dataset	多伦多大学	在固定路线采集超过1年，涵盖四季变化(>350km)，包含雨雪等恶劣天气；配备128线激光雷达。	长期、季节性变化下的定位与感知	-

关键标注说明

• 论文标识：列表中含有 标识的数据集关联有科学论文或详细描述。
• YouTube标识：含有 标识的数据集有关联的YouTube视频或频道。
• ROS兼容性：KITTI、Ford Dataset、USyd Dataset 等明确标注为ROS兼容（）。

搜集汇总

数据集介绍

构建方式

激光雷达（LiDAR）作为一种利用激光脉冲以厘米级精度感知周遭环境的遥感传感器，在自动驾驶、机器人导航与测绘等领域扮演着不可或缺的角色。为系统整合这一领域的关键资源，研究者精心编纂了名为“awesome-lidar”的精选资源清单。该清单并非传统意义上的数据集，而是一个结构化、跨类别的知识库，通过人工筛选与社区贡献相结合的方式，将全球范围内顶尖的LiDAR硬件制造商、公开数据集、点云处理算法库、开发框架及仿真器汇聚一堂，并依据功能与领域进行细致分类，形成一个动态更新的全景式知识图谱。

特点

该资源清单的独特之处在于其多维度的组织架构与详尽的标注体系。它不仅收录了Velodyne、Ouster、Livox等主流制造商及其配套的ROS驱动与软件库，还囊括了KITTI、Waymo、NuScenes等经典与前沿的自动驾驶数据集。每个条目均辅以醒目的徽章标识，直观指示其是否附有学术论文、YouTube演示、GitHub仓库及其星标数，以及是否兼容ROS 2，极大地方便了研究者进行技术选型与快速评估。这种融合了硬件、软件、数据与学术资源的综合性视角，构筑了LiDAR领域独一无二的参考基准。

使用方法

使用者可依据自身研究兴趣，通过清晰的目录导航，快速定位至“Manufacturers”以比较不同传感器技术路线，或深入“Datasets”部分挑选适用于特定场景（如恶劣天气、长期跨度）的训练数据。对于算法开发者，“Libraries”与“Algorithms”板块提供了从基础匹配到语义分割、SLAM的丰富工具链。清单中的每个链接与徽章均为可访问的入口，引导用户直达官方文档、开源代码或学术原文，从而无缝衔接从理论学习到工程实践的完整链条，成为LiDAR技术探索的绝佳起点。

背景与挑战

背景概述

激光雷达（LiDAR）作为一种主动式遥感传感器，凭借其厘米级的测距精度和全天候工作能力，已成为自动驾驶、机器人导航与三维重建等领域的核心感知器件。awesome-lidar 数据集由 Szenergy 团队维护，自创建以来系统性地整理了全球主流激光雷达制造商、公开数据集、点云处理算法库及仿真平台等资源，覆盖 Velodyne、Ouster、Livox 等二十余家厂商及 KITTI、Waymo、NuScenes 等标志性数据集。该资源库旨在为研究人员与工程师提供一站式的技术索引，推动激光雷达从硬件选型到算法落地的全链条研究，其影响力体现在跨领域的引用与协作中，成为该领域重要的知识枢纽。

当前挑战

激光雷达领域面临的核心挑战在于多维度复杂场景下的感知鲁棒性。点云数据固有的稀疏性与非均匀分布，使得在远距离、雨雪雾等恶劣天气或动态遮挡环境中，目标检测与语义分割的精度显著下降。构建过程中，不同厂商的传感器在视场角、线束密度、扫描模式上存在巨大差异，导致数据格式与标定参数难以统一；同时，大规模标注点云数据的人力成本极高，且缺乏针对长尾场景（如罕见交通参与者）的充足样本。此外，实时处理海量点云对计算资源提出严苛要求，算法需在精度与效率间取得平衡，这些挑战共同制约着激光雷达在安全攸关的自主系统中的应用。

常用场景

经典使用场景

在自动驾驶与机器人感知领域中，激光雷达（LiDAR）凭借其厘米级精度的三维环境感知能力，成为核心传感器之一。该数据集汇总了从KITTI、NuScenes到Waymo Open Dataset等众多经典数据集，广泛用于三维点云的目标检测、语义分割、多目标跟踪及同时定位与地图构建（SLAM）等任务。研究人员借助这些数据，可系统性地验证算法在不同光照、天气及动态场景下的鲁棒性，从而推动感知系统从实验室走向复杂现实环境。

解决学术问题

该数据集集合有效解决了自动驾驶研究中长期存在的两大瓶颈：一是缺乏大规模、多模态、带精确标注的真实场景数据，二是难以在统一基准上公平比较不同算法的性能。通过提供涵盖城市、郊区、高速公路及恶劣天气（如雨雪）的丰富场景，它支撑了三维物体检测、点云语义理解、长时定位及运动预测等核心课题的定量评估，显著加速了感知算法的迭代优化，并为学术社区树立了可复现的评测标准。

衍生相关工作

围绕该数据集，衍生出一系列具有里程碑意义的学术工作。在点云分割方面，SemanticKITTI催生了基于稀疏卷积与Transformer的语义解析架构；在目标检测领域，PointPillars与VoxelNet等经典模型均以KITTI和NuScenes作为核心验证平台。此外，基于Waymo数据集的运动预测挑战赛催生了VectorNet等轨迹预测方法，而CADC数据集则推动了恶劣天气下点云去噪与增强技术的研究。这些工作共同构建了从感知到预测的完整技术链条。