V2X-ReaLO

V2X-ReaLO数据集是基于V2X-Real数据集扩展的动态、同步的ROS包，包含25028个测试帧，其中6850个关键帧被完全注释，这些关键帧涵盖了具有挑战性的城市场景。该数据集旨在评估在线协同感知系统在动态条件下的感知准确性和通信延迟，为实时的协同感知系统优化提供了新的基准。

The V2X-ReaLO dataset is a dynamic and synchronized ROS package extended from the V2X-Real dataset. It contains 25,028 test frames, among which 6,850 key frames are fully annotated, and these key frames cover challenging urban scenarios. This dataset aims to evaluate the perception accuracy and communication latency of online cooperative perception systems under dynamic conditions, providing a new benchmark for the optimization of real-time cooperative perception systems.

搜集汇总

数据集介绍

构建方式

V2X-ReaLO数据集的构建基于真实车辆和智能基础设施的部署，采用了早期、晚期和中间融合策略的统一框架。数据采集过程中，研究人员通过配备高精度传感器（如LiDAR和GPS）的车辆和路边单元，在复杂的城市环境中进行动态数据收集。所有传感器数据通过ROS（机器人操作系统）进行同步记录，并生成了包含25,028帧的动态ROS数据包，其中6,850帧为完全标注的关键帧。这一数据集的设计旨在捕捉真实世界中的动态场景，为在线协同感知系统的评估提供了坚实的基础。

特点

V2X-ReaLO数据集的特点在于其动态性和真实性。与传统的静态数据集不同，该数据集通过同步多传感器数据，捕捉了真实世界中的复杂交通场景，涵盖了车辆与车辆（V2V）、车辆与基础设施（V2I）以及基础设施与基础设施（I2I）之间的多种协同模式。此外，数据集还包含了丰富的标注信息，涵盖了10种不同的物体类别，并提供了详细的3D边界框标注。这些特点使得V2X-ReaLO能够有效评估协同感知系统在真实世界中的性能，尤其是在带宽、延迟和感知精度等方面的表现。

使用方法

V2X-ReaLO数据集的使用方法主要围绕在线协同感知系统的评估展开。研究人员可以通过回放ROS数据包，模拟真实世界中的传感器数据流，并结合早期、晚期和中间融合策略进行算法验证。数据集支持实时评估，能够测量感知精度、通信延迟等关键指标。此外，数据集还提供了详细的标注信息，便于研究人员进行离线训练和在线测试。通过使用V2X-ReaLO，研究人员可以在不依赖昂贵硬件部署的情况下，快速开发和评估新的协同感知算法，推动该领域的研究进展。

背景与挑战

背景概述

V2X-ReaLO数据集由加州大学洛杉矶分校的研究团队于2025年推出，旨在解决自动驾驶领域中车联网（V2X）协同感知的实时性问题。该数据集首次在真实车辆和智能基础设施上部署了在线协同感知框架，集成了早期、晚期和中间融合方法，并通过动态、同步的ROS数据包提供了25,028帧测试数据，其中6,850帧为标注关键帧。V2X-ReaLO的推出填补了现有研究在真实场景中协同感知可行性和有效性验证的空白，为自动驾驶系统的感知能力提升提供了新的基准。该数据集不仅推动了V2X协同感知算法的研究，还为实时评估感知精度和通信延迟提供了重要支持。

当前挑战

V2X-ReaLO数据集在构建和应用过程中面临多重挑战。首先，真实场景中的协同感知需要解决传输延迟、计算资源限制和定位误差等问题，这些问题在动态环境中尤为突出。其次，中间融合方法在真实世界中的可行性尚未得到充分验证，尤其是在高维特征传输和实时带宽限制下的表现。此外，构建该数据集需要整合复杂的传感器套件、高性能计算平台和稳定的V2X通信系统，这对资源和技术的需求极高。最后，动态环境下的多车实验协调与执行也带来了显著的挑战，进一步增加了数据集的构建难度。这些挑战不仅影响了数据集的构建过程，也对后续算法的验证和优化提出了更高的要求。

常用场景

经典使用场景

V2X-ReaLO数据集在自动驾驶领域中被广泛用于评估车辆与基础设施之间的协同感知能力。其经典使用场景包括在复杂的城市交通环境中，通过车辆与路侧单元（RSU）之间的实时数据交换，提升自动驾驶车辆的感知范围与精度。该数据集特别适用于研究中间融合（Intermediate Fusion）策略在真实世界中的可行性，帮助研究人员验证在动态、高延迟环境下的协同感知算法的性能。

衍生相关工作

V2X-ReaLO数据集衍生了一系列经典研究工作，尤其是在协同感知算法的开发与优化方面。例如，基于该数据集的研究提出了多种中间融合策略，如F-Cooper、AttFuse和V2X-ViT等，这些方法在车辆与基础设施之间的特征融合中表现出色。此外，该数据集还推动了在线协同感知框架的发展，为后续研究提供了宝贵的实验平台与基准测试工具。

数据集最近研究

最新研究方向

近年来，随着自动驾驶技术的快速发展，V2X（Vehicle-to-Everything）协同感知成为提升车辆环境感知能力的关键研究方向。V2X-ReaLO数据集的推出，为真实场景下的在线协同感知研究提供了重要支持。该数据集不仅扩展了V2X-Real的测试集，还通过动态同步的ROS数据包，提供了25,028帧测试数据，其中6,850帧为完全标注的关键帧，涵盖了复杂的城市交通场景。这一数据集的核心价值在于其能够实时评估感知精度和通信延迟，为研究者在真实环境中验证和优化协同感知算法提供了重要工具。特别是在中间融合（Intermediate Fusion）领域，V2X-ReaLO首次在真实场景中验证了其可行性和性能，为未来大规模自动驾驶系统的部署奠定了技术基础。通过公开代码和数据集，V2X-ReaLO进一步推动了在线协同感知领域的研究与创新。

相关研究论文

• V2X-ReaLO: An Open Online Framework and Dataset for Cooperative Perception in Reality

  加州大学洛杉矶分校 · 2025年