DurLAR

DurLAR是由杜伦大学创建的高保真128通道3D LiDAR数据集，专为多模态自动驾驶应用设计。该数据集包含全景环境（近红外）和反射率图像，以及用于深度估计的基准任务样本。数据集通过装备有高分辨率128通道LiDAR、2MPix立体相机、lux计和GNSS/INS系统的驾驶平台收集。DurLAR不仅提供了高分辨率的LiDAR数据，还包括同步的环境光照信息，适用于各种天气和光照条件下的自动驾驶任务。数据集的创建旨在通过提供高分辨率、稀疏的真实场景深度信息，推动单目深度估计技术的发展，特别是在极端天气和光照变化下的性能评估。

DurLAR is a high-fidelity 128-channel 3D LiDAR dataset created by Durham University, designed specifically for multimodal autonomous driving applications. This dataset includes panoramic (near-infrared) and reflectance images, as well as benchmark task samples for depth estimation. It was collected via a driving platform equipped with a high-resolution 128-channel LiDAR, a 2MPix stereo camera, a lux meter, and a GNSS/INS system. DurLAR not only provides high-resolution LiDAR data, but also includes synchronized ambient lighting information, making it suitable for autonomous driving tasks under various weather and lighting conditions. The dataset was developed to advance monocular depth estimation technologies by offering high-resolution, sparse real-world scene depth information, particularly for performance evaluation under extreme weather and lighting variations.

搜集汇总

数据集介绍

构建方式

DurLAR数据集构建于雷诺Twizy测试车辆平台，搭载了128通道Ouster OS1-128激光雷达、2MP立体相机、照度计及多星座GNSS/INS组合导航系统。数据采集遵循重复路线策略，在相同驾驶路径上覆盖多样环境条件，包括不同天气、光照及交通密度场景。所有传感器以10Hz频率同步，采用ROS时间戳统一管理，并通过先进的无目标标定方法实现激光雷达与相机的高精度外参标定，最终数据以KITTI兼容格式发布，便于现有工具链直接解析。

特点

该数据集的核心特征在于其128通道激光雷达提供的超高垂直分辨率，超越现有主流数据集的64通道配置，能够捕捉更精细的环境几何细节。独特之处在于同步提供了全景环境光（近红外）与反射率图像，这两种模态在低光照与恶劣天气条件下表现出卓越的鲁棒性。数据集还具备无卷帘快门效应、多环境条件重复路线采集以及丰富的辅助传感器数据，包括高精度GNSS/INS定位与照度信息，为多模态感知研究提供了前所未有的数据基础。

使用方法

DurLAR数据集遵循KITTI数据格式规范，用户可通过官方提供的下载脚本获取数据包，每个驾驶序列包含激光雷达点云、左右相机图像、环境光与反射率全景图及传感器位姿信息。研究社区可将其直接应用于单目深度估计、三维目标检测、语义分割等自动驾驶视觉任务，尤其适合探索高分辨率真值监督下的算法性能。数据集附带开发工具包，支持数据解析、可视化及基准任务评估，其重复路线设计便于算法在不同环境条件下的泛化能力分析。

背景与挑战

背景概述

DurLAR数据集由英国杜伦大学计算机科学与工程系的研究团队于2024年6月正式发布，旨在为自动驾驶领域提供高保真的多模态感知数据。该数据集的核心创新在于其搭载的128通道激光雷达，其垂直分辨率达到了现有公开数据集（如KITTI、nuScenes）的两倍，能够捕捉更为精细的环境三维几何信息。研究团队通过配备立体相机、环境光传感器和高精度GNSS/INS系统，在重复行驶路线上采集了涵盖不同天气、光照和交通条件的多样化场景数据。DurLAR的建立直接回应了自动驾驶感知任务中对高分辨率真实深度数据的迫切需求，尤其为单目深度估计等几何场景理解任务提供了前所未有的高精度监督信息，推动了相关算法从自监督学习向联合监督范式的演进。

当前挑战

DurLAR数据集致力于解决自动驾驶场景中几何感知的核心挑战，即如何从稀疏的传感器数据中恢复稠密且精确的环境三维结构。传统数据集受限于激光雷达的垂直分辨率（通常为16或64通道），所提供的深度真值较为稀疏，难以支撑需要高精度几何监督的模型训练。在数据集构建层面，研究团队面临多重技术挑战：首先，实现128通道闪光激光雷达与多传感器（立体相机、GNSS/INS、照度计）的高精度时间同步与空间标定，确保多模态数据在时空上严格对齐；其次，在重复路线采集策略下，需系统性地覆盖不同环境条件（如雨天、昼夜变化），以构建具有充分多样性和一致性的数据序列；最后，将新型传感器（如提供环境光与反射率全景图像的激光雷达）的数据进行标准化处理，并转换为与主流KITTI数据集兼容的格式，以降低社区使用门槛。

常用场景

经典使用场景

在自动驾驶感知系统的研发中，DurLAR数据集凭借其128通道的高分辨率激光雷达点云，成为评估单目深度估计算法的理想基准。该数据集通过提供全景环境光与反射率图像，构建了多模态感知的典型应用场景，使研究者能够在统一的框架下验证算法在复杂环境中的鲁棒性。其重复路线采集策略，涵盖了不同天气、光照和交通状况，为模型训练与测试提供了丰富的场景多样性。

解决学术问题

DurLAR数据集有效解决了自动驾驶领域因高分辨率真值深度数据缺失而制约监督学习性能的学术难题。通过提供当前最高垂直分辨率的激光雷达数据，该数据集使得研究者能够探索更精细的几何场景理解，特别是在单目深度估计任务中，其丰富的真值信息支持了联合监督与自监督损失函数的创新设计，显著提升了深度预测的准确性与边界清晰度，推动了高保真感知模型的发展。

衍生相关工作

基于DurLAR数据集的高分辨率特性，研究者已衍生出多项经典工作，特别是在单目深度估计领域。该数据集被用于验证和增强如ManyDepth、MonoDepth2和DepthHints等先进架构的性能。通过引入基于Berhu损失的联合监督-自监督训练范式，这些工作展示了利用高分辨率真值数据能够显著提升深度估计的定量与定性结果，为后续探索多模态融合、跨域适应等研究方向奠定了基础。