ATLAS

ATLAS 数据集是一个用于自动驾驶交通灯感知的综合性数据集，由 FZI 研究中心信息技术与卡尔斯鲁厄理工学院合作创建。该数据集包含 33,044 张图像和 72,998 个标注的边界框，涵盖了多种交通灯状态、标志和不同的环境条件，例如雨天。数据集采用了多摄像头设置，包括具有不同视场角的三个摄像头，以模拟实际自动驾驶系统中的多种观测角度。ATLAS 数据集旨在解决现有公共数据集在覆盖交通灯状态、标志和不同环境条件方面的不足，并为训练和评估先进的交通灯检测模型提供了宝贵资源。数据集已通过 DeepPrivacy2 和 EgoBlur 进行匿名化处理，确保个人隐私和车牌信息的安全。

The ATLAS dataset is a comprehensive dataset for autonomous driving traffic light perception, created in collaboration between the FZI Research Center for Information Technology and Karlsruhe Institute of Technology. This dataset contains 33,044 images and 72,998 annotated bounding boxes, covering a variety of traffic light states, signs, and different environmental conditions such as rainy weather. It adopts a multi-camera setup, including three cameras with different field-of-view angles, to simulate multiple observation angles in actual autonomous driving systems. The ATLAS dataset aims to address the shortcomings of existing public datasets in covering traffic light states, signs, and diverse environmental conditions, and serves as a valuable resource for training and evaluating advanced traffic light detection models. The dataset has been anonymized via DeepPrivacy2 and EgoBlur to ensure the security of personal privacy and license plate information.

原始信息汇总

The ATLAS of Traffic Lights 数据集概述

基本信息

• 发布日期: 2025年2月10日
• 最新版本: 1.0
• DOI: 10.5281/zenodo.14846709
• 许可证: Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)

数据集描述

• 目的: 提升自动驾驶中的交通信号灯检测能力。
• 特点:
  • 包含超过 33,000张图像 和 72,998个标注框。
  • 涵盖 25种独特的交通信号灯状态和图形类别（如红黄灯、直行-右转等）。
  • 使用三台同步相机（广角、中焦、长焦）采集，覆盖不同距离和角度（包括困难的头顶视角）。
  • 标注包含极端天气条件（如大雨）。
  • 数据已通过先进工具匿名化处理。

相机配置

相机类型	视场角 [°]	分辨率	图像数量
Front-Medium	61 × 39	1920 × 1200	25,158
Front-Tele	31 × 20	1920 × 1200	5,109
Front-Wide	106 × 92	2592 × 2048	2,777

文件结构

├── ATLAS
├── train
├── front_medium
├── images
├── front_medium_1722622455-950002160.jpg
├── labels
├── front_medium_1722622455-950002160.txt
├── front_tele
├── front_wide
├── test
├── ATLAS_classes.yaml
├── LICENSE
└── README.md

标注格式

每行标注包含以下字段：
class_id x_center y_center width height

• class_id: 类别ID，对应ATLAS_classes.yaml中的可读名称。
• x_center, y_center: 归一化的边界框中心坐标（范围[0,1]）。
• width, height: 归一化的边界框宽高（范围[0,1]）。

相关论文

• 标题: "The ATLAS of Traffic Lights: A Reliable Perception Framework for Autonomous Driving"
• 作者: Polley, Rupert 等
• 会议: IEEE Intelligent Vehicles Symposium (IV) 2025
• arXiv: arXiv:2504.19722

下载信息

• 总大小: 29.7 GB
• 文件列表:
  • ATLAS.z01 (5.4 GB)
  • ATLAS.z02 (5.4 GB)
  • ATLAS.z03 (5.4 GB)
  • ATLAS.z04 (5.4 GB)
  • ATLAS.z05 (5.4 GB)
  • ATLAS.zip (2.6 GB)
  • ATLAS_sample.zip (25.3 MB)
  • ATLAS_tele_preview.mp4 (186.0 MB)

使用条款

• 用途限制: 仅限非商业用途（如教学、科研）。
• 引用要求: 需包含创作者署名及许可证信息。
• 问题反馈: 内容问题联系 [e-mail]，隐私问题联系 [e-mail]。

搜集汇总

数据集介绍

构建方式

ATLAS数据集通过多摄像头同步采集系统构建，涵盖不同焦距镜头（前中焦61°、前长焦31°、前广角106°）以覆盖欧洲城市典型交通灯分布场景。采用两阶段人工标注流程：初级标注员修正模型预测框，二级审核员进行质量校验，并运用自监督迭代方法优化标注效率。数据集特别纳入2766张中到大雨环境图像，以及远至200米的交通灯标注（最小识别宽度2像素），最终形成33,044张图像、72,998个标注框的规模。

特点

该数据集突破现有公开数据局限，首次完整涵盖25种交通灯状态与图示组合（包括德国特有的红黄过渡状态和直行右转复合图示），提供三视角同步影像（中/长/广角）以解决近距离仰拍与远距离检测的矛盾。通过DeepPrivacy2和EgoBlur技术实现匿名化处理，验证显示其不影响模型性能。数据分布呈现自然场景中的类别不均衡，如绿灯直行样本量达16,000而红黄右转仅20例，真实反映实际路况复杂性。

使用方法

研究者可将ATLAS与DTLD数据集联合训练YOLO系列检测模型（推荐YOLO11x架构），利用其多视角数据特性构建双流检测系统：中焦镜头常规检测配合长焦/广角镜头动态切换（10米阈值）。部署阶段需结合高清地图的交通灯三维坐标，通过匈牙利算法完成2D检测与3D地图的最优关联（距离阈值2米），并采用环形缓冲决策机制（容量9帧，3秒线性衰减）稳定状态输出。评估指标建议采用mAP50-95，实测显示联合训练使ATLAS测试集mAP50提升19%。

背景与挑战

背景概述

ATLAS数据集由FZI信息技术研究中心和卡尔斯鲁厄理工学院的研究团队于2025年推出，旨在解决自动驾驶领域中交通信号灯感知的关键问题。该数据集通过整合多摄像头设置、多样化环境条件及全面的交通信号灯状态标注，弥补了现有公开数据集在覆盖范围和质量上的不足。ATLAS不仅标注了传统红绿灯状态，还包括了车道特定方向指示符号（象形图），为自动驾驶系统在复杂城市环境中的安全导航提供了重要支持。其创新性在于首次实现了多视角摄像头数据与多样化天气条件的系统性标注，显著提升了交通信号灯检测模型的泛化能力和鲁棒性。

当前挑战

ATLAS数据集面临的挑战主要体现在两个方面：领域问题方面，交通信号灯识别需克服复杂交叉路口、遮挡及恶劣天气条件（如雨雾、夜间低光照）带来的视觉干扰，同时需准确区分相邻车道的相关性信号灯；构建过程方面，需解决多摄像头同步标注的技术难题，确保不同焦距摄像头采集数据的一致性，同时应对罕见信号灯状态（如红黄过渡状态）样本不足的问题。此外，为保持标注质量，团队开发了基于迭代自监督的标注流程，通过模型预测与人工校正的多次迭代来保证标注精度，这一过程对计算资源和时间成本提出了较高要求。

常用场景

经典使用场景

在自动驾驶领域，交通信号灯的准确感知是确保车辆安全通过复杂城市环境的关键环节。ATLAS数据集通过提供多样化的交通灯状态、图示符号以及不同环境条件和多摄像头设置的全面标注，成为训练和评估交通灯检测模型的理想选择。其经典使用场景包括在雨天、夜间等复杂环境下对交通灯状态的实时检测与分类，以及多摄像头视角下的信号灯关联与决策制定。

实际应用

ATLAS数据集的实际应用主要集中在自动驾驶系统的实时交通灯感知与决策模块中。通过部署基于ATLAS训练的检测模型，自动驾驶车辆能够在复杂城市环境中准确识别交通灯状态，并根据信号灯的变化做出安全的驾驶决策。例如，在德国卡尔斯鲁厄市的实际测试中，该数据集支持的感知框架展现了高可靠性，能够实现类似人类驾驶员的平滑制动行为，显著提升了自动驾驶的安全性和舒适性。

衍生相关工作

ATLAS数据集的发布推动了多个相关领域的研究进展。基于该数据集，研究者们提出了改进的YOLO系列检测模型（如YOLOv9、YOLOv10和YOLO11），显著提升了交通灯检测的准确性和实时性。此外，ATLAS还启发了多摄像头视角下的交通灯关联算法研究，例如基于匈牙利算法的最小成本匹配方法，有效解决了定位误差导致的关联问题。这些衍生工作进一步丰富了自动驾驶感知技术的理论框架和实际应用。