V2I-HD dataset

本研究发布了一个面向车辆基础设施合作自动驾驶（VICAD）在线高清地图构建的实际世界数据集。该数据集包含车辆和路边基础设施合作捕获的相机帧，并提供了高清地图元素的注释。这是首个专注于高清地图构建的数据集发布，适合用于V2I环境中的高清地图构建任务，有助于合作感知的发展与评估。

This study releases a real-world dataset for online high-definition map construction in Vehicle-Infrastructure Cooperative Autonomous Driving (VICAD) scenarios. The dataset includes camera frames collaboratively captured by on-board vehicles and roadside infrastructure, with annotations for high-definition map elements provided. This is the first public dataset release specifically targeting high-definition map construction tasks, which is suitable for such tasks in Vehicle-to-Infrastructure (V2I) environments and facilitates the development and evaluation of cooperative perception.

搜集汇总

数据集介绍

构建方式

V2I-HD数据集通过车辆与路边基础设施的协同摄像头帧构建，结合了车辆前视摄像头和路边鸟瞰摄像头的多视角图像数据。数据采集自真实世界的28个交叉路口，每个场景包含约545个样本，每个样本涵盖8张图像。通过点云数据与图像数据的对齐，生成了深度图以支持世界坐标系下的高清地图标注，标注过程采用矢量点集高效表示各类地图元素。

使用方法

数据集适用于训练和评估基于V2I通信的在线高清地图构建算法。研究者可利用提供的车辆-基础设施协同图像及矢量标注，开发端到端的神经网络模型。典型流程包括：通过CNN骨干网络提取多尺度特征，经BEV空间转换模块融合多视角信息，最后使用方向解耦的Transformer解码器预测矢量地图元素。实验评估采用平均精度（AP）指标，通过计算预测与真值之间的倒角距离进行量化分析。

背景与挑战

背景概述

V2I-HD数据集由NavInfo首席科学家缪凡博士领衔的多机构研究团队于2025年发布，旨在解决自动驾驶领域中高精地图实时构建的核心挑战。作为首个面向车路协同场景的视觉中心化高精地图基准数据集，其创新性地融合了车载前视摄像头与路侧俯视摄像头的协同帧数据，并提供了标准化矢量地图元素标注。该数据集突破了传统SLAM方案在标注成本高、更新延迟等方面的局限，通过车路协同感知显著扩展了自动驾驶系统的全局视野，为VICAD（车路协同自动驾驶）领域的在线高精地图构建研究建立了新的评估标准。数据集包含28个交叉路口的15254个样本，每个样本集成8路摄像头数据，其厘米级精度的矢量标注为多模态感知算法研发提供了关键支撑。

当前挑战

在解决自动驾驶高精地图实时构建这一核心问题上，V2I-HD数据集面临三大挑战：首先，车路异构视角的时空对齐难题，要求精确校准车载前视与路侧俯视摄像头的坐标系，这在动态交通场景中尤为复杂；其次，矢量地图元素的几何表征挑战，需将车道线、停止线等元素统一建模为可微分的多边形或折线结构，同时保持拓扑一致性；最后，实时性约束下的计算效率问题，传统注意力机制O(N²)的计算复杂度难以满足车载部署需求。在构建过程中，研究团队还需克服多源传感器标定误差、复杂场景下的遮挡处理，以及海量数据中矢量标注的语义一致性维护等工程挑战。这些技术难点通过方向解耦自注意力机制和端到端BEV表征学习得到了创新性解决。

常用场景

经典使用场景

V2I-HD数据集在自动驾驶领域的高清地图构建研究中扮演了关键角色，特别是在车路协同（V2I）系统中。该数据集通过整合车载摄像头和路边基础设施的协同视角，为研究者提供了丰富的视觉数据和高精度地图元素标注，使得基于视觉的实时高清地图构建成为可能。其经典使用场景包括车道线、停车线和人行横道等静态地图元素的检测与矢量化建模，为自动驾驶车辆提供厘米级的道路环境感知能力。

解决学术问题

该数据集有效解决了传统SLAM方法在离线高清地图构建中面临的高标注成本和更新延迟问题，以及单车感知视角受限、遮挡和短距离感知等挑战。通过车路协同感知，V2I-HD数据集扩展了感知范围，提供了全局视角，使得在线实时高清地图构建成为可能。其标注的矢量化地图元素为端到端学习框架提供了监督信号，推动了基于视觉的BEV（鸟瞰图）表示学习方法的发展。

实际应用

在实际应用中，V2I-HD数据集支持的车路协同高清地图构建系统可显著提升自动驾驶的安全性和可靠性。例如，在复杂城市交叉路口场景中，路边基础设施的广视角感知能够弥补单车传感器的视野盲区，避免因遮挡导致的碰撞风险。此外，其实时地图更新能力可适应动态交通环境，为自动驾驶路径规划和决策提供精准的环境表征。

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，高精地图（HD Map）作为其核心支撑技术之一，受到了学术界和工业界的广泛关注。V2I-HD数据集的推出，为基于车路协同（V2I）系统的视觉中心高精地图构建研究提供了重要的数据支持。该数据集不仅包含了车辆和路侧基础设施的协同摄像头帧，还提供了高精地图元素的人工标注，为在线矢量高精地图构建任务奠定了坚实基础。当前，该数据集的前沿研究方向主要集中在以下几个方面：首先，基于视觉中心的车路协同高精地图实时构建，通过融合车辆和路侧摄像头的多视角信息，提升地图构建的精度和覆盖范围；其次，针对自动驾驶车辆的计算资源限制，研究轻量化的神经网络架构和注意力机制，如方向解耦自注意力机制，以降低计算成本并提升推理速度；此外，结合鸟瞰图（BEV）表示和端到端学习框架，探索高效的地图元素矢量化方法，以应对复杂多变的驾驶场景。这些研究方向不仅推动了车路协同感知技术的发展，也为自动驾驶的安全性和可靠性提供了重要保障。

相关研究论文

• A Benchmark for Vision-Centric HD Mapping by V2I Systems

  中国NavInfo公司, 清华大学, 百度公司, 西电大学 · 2025年