winter-driving-dataset

AD冬季驾驶数据集是一个用于自动驾驶研究的开源多模态数据集，由AD Assurance Lab与西密歇根大学和MCity合作创建。该数据集专注于在恶劣冬季条件下的感知与物理建模，旨在为车道检测、物体检测等任务提供基准数据。数据集规模在10万到100万样本之间，包含图像分割和物体检测任务类别，适用于自动驾驶、车道检测、车辆动力学和天气遥测等研究领域。数据集采用CC BY 4.0许可证。数据集结构包括metadata目录（包含表格化元数据和注释）、models目录（提供预训练的车道检测模型检查点，支持ONNX和PyTorch格式）和images目录（包含mcity_wspi和reva_perception两个子集，其中mcity_wspi按动态序列组织独立压缩包，每个序列对应特定驾驶场景，reva_perception包含标注的训练图像集和未标注的序列帧）。每个驾驶序列中的相机帧以25Hz频率采集，并与车辆动力学数据（如CAN总线转向角、油门/刹车输入）、惯性响应数据（高精度6自由度IMU数据）、GPS/RTK地理坐标轨迹以及移动天气数据（如MARWIS道路条件分类）同步对齐。该数据集对应研究论文《MI-Snow1000: A Comprehensive Dataset and Benchmark for Lane Detection in Adverse Winter Conditions》，专注于冬季恶劣条件下的车道检测。The AD Winter Driving Dataset is an open-source multimodal dataset for autonomous driving research, created by AD Assurance Lab in collaboration with Western Michigan University and MCity. It focuses on perception and physical modeling under harsh winter conditions, aiming to provide benchmark data for tasks such as lane detection and object detection. The dataset size ranges from 100,000 to 1,000,000 samples, includes image segmentation and object detection task categories, and is applicable to research areas like autonomous driving, lane detection, vehicle dynamics, and weather telemetry. It is licensed under CC BY 4.0. The dataset structure consists of three main parts: the metadata/ directory containing tabular metadata and annotations; the models/ directory providing pre-trained lane detection model checkpoints in ONNX and PyTorch formats; and the images/ directory containing image data, divided into mcity_wspi/ and reva_perception/ subsets. mcity_wspi/ includes independently compressed packages organized by dynamic sequences, each corresponding to specific driving scenarios; reva_perception/ contains annotated training image sets (in TuSimple format) and unlabeled sequence frames. Camera frames in each driving sequence are collected at 25Hz and synchronized with various physical variables, including vehicle dynamics data (CAN bus steering angle, throttle/brake inputs, brake torque, wheel speed), inertial response data (high-precision 6-DOF IMU rotation rates and linear acceleration, including vertical ride responses), GPS/RTK precise geographic coordinate trajectories, and mobile weather data (MARWIS real-time optical road condition classification and surface friction estimates). This dataset corresponds to the research paper MI-Snow1000: A Comprehensive Dataset and Benchmark for Lane Detection in Adverse Winter Conditions, focusing on providing a comprehensive dataset and benchmark for lane detection in adverse winter conditions.

原始信息汇总

AD Winter Driving Dataset 多模态感知与物理数据集

基本信息

• 数据集名称: AD Winter Driving Dataset
• 任务类型: 图像分割、目标检测
• 标签: 自动驾驶、车道检测、车辆动力学、天气遥测
• 许可协议: CC-BY-4.0
• 规模: 100K < n < 1M
• 创建机构: AD Assurance Lab（与西密歇根大学、MCity合作）

数据集结构

winter-driving-dataset/ ├── metadata/ # 表格元数据和标注（位于GitHub仓库） ├── models/ # 预训练车道检测模型 │ ├── onnx/ # ONNX float32/float16 格式检查点 │ └── pytorch/ # PyTorch .pt/.pth 检查点 └── images/ ├── mcity_wspi/ # 各动力学序列的独立zip包 └── reva_perception/ ├── labeled_set_images.zip # 标注的TuSimple格式训练图像 └── non_labeled_set/ # 未标注的序列帧

数据内容与特点

采集参数

• 相机帧率: 25Hz
• 对齐的物理变量:
  • 车辆动力学：CAN总线转向角、油门/刹车输入、刹车扭矩、四个车轮转速
  • 惯性响应：6自由度IMU旋转速率和线性加速度（包含垂直乘坐响应）
  • GPS/RTK：精确的地理坐标轨迹
  • 移动气象数据（MARWIS）：实时光学路面分类和路面摩擦系数估计

图像数据

• 包含标注的TuSimple格式训练图像
• 包含未标注的连续帧序列
• 各动力学序列以独立zip包形式组织

预训练模型

• 提供车道检测的预训练检查点
• 支持ONNX和PyTorch两种格式

使用方法

下载特定运行图像

bash python3 tools/download_wspi.py --run jan27-downtown-1_images --dest_dir ./data

下载预训练车道模型

bash python3 tools/download_models.py --model all --dest_dir ./models

引用信息

bibtex @article{tye2026misnow1000, title={MI-Snow1000: A Comprehensive Dataset and Benchmark for Lane Detection in Adverse Winter Conditions}, author={Tye, Eugene and Clinton, Catherine and Asher, Zachary and Fong, Alvis}, journal={SAE International Journal of Connected and Autonomous Vehicles}, volume={9}, number={2}, pages={112--128}, year={2026}, publisher={SAE International} }

相关资源

• 主GitHub仓库（包含代码、同步CSV元数据、加载器和开发者文档）：https://github.com/AD-Assurance-Lab/winter-driving-dataset

搜集汇总

数据集介绍

构建方式

该数据集由AD Assurance Lab携手西密歇根大学与MCity共同构建，专注于冬季恶劣天气下的自动驾驶感知与物理动力学研究。数据集以多模态方式组织，图像数据以二进制压缩包形式存储于HuggingFace仓库，而表格元数据、预训练模型及开发文档则托管于GitHub代码库。图像部分涵盖MCity测试场与Reva感知系统采集的多个动态序列，每个序列独立打包，并提供标注与非标注两种图像集，便于灵活使用。同时，数据集还集成了基于TuSimple格式的标签数据，以支持车道线检测等任务的训练与评估。

特点

本数据集的核心特色在于其多模态对齐能力与真实冬季场景的丰富性。相机以25Hz频率捕获图像，并与车辆CAN总线动力学数据（如转向角、油门/制动输入、轮速）、高精度6自由度IMU惯性响应（含垂直姿态响应）、GPS/RTK地理轨迹，以及MARWIS移动气象站实时路况分类与摩擦估计等信息实现时间同步。这种综合型数据架构使研究者能够深入探索视觉感知与车辆物理响应之间的耦合关系，尤其适用于分析冰雪覆盖路面对自动驾驶系统的影响。

使用方法

数据集的使用依托于GitHub代码库提供的专用Python工具链。用户可通过执行`download_wspi.py`脚本，指定具体运行序列名称与目标目录，即可自动下载并解压对应的图像压缩包。类似地，`download_models.py`脚本可批量获取预训练的车道线检测模型，支持ONNX与PyTorch两种格式。开发者还可直接从GitHub仓库获取同步后的CSV元数据、数据加载器及相关文档，从而高效地将本数据集集成至自动驾驶感知或多模态融合研究流程中。

背景与挑战

背景概述

冬季恶劣天气对自动驾驶系统的感知与决策能力构成了严峻考验，尤其是在车道检测与车辆动力学响应方面。为应对这一挑战，AD Assurance Lab联合西密歇根大学与MCity于近年创建了winter-driving-dataset，该数据集聚焦于多模态感知与物理参数融合，核心研究问题在于提升自动驾驶车辆在积雪、低摩擦等极端冬季条件下的环境理解与安全控制能力。数据集提供了25Hz同步的摄像头图像、高精度IMU惯性数据、CAN总线车辆动力学信号以及实时路面状态与摩擦系数估计，为冬季自动驾驶算法验证提供了标准化基准。其影响力体现在推动了针对冬季场景的鲁棒感知模型与车辆控制策略的发展，相关研究已发表于SAE期刊，成为该交叉领域的重要参考资源。

当前挑战

该数据集所应对的领域问题核心在于：1）冬季环境下车道线被积雪覆盖、能见度低、光照变化剧烈，导致基于视觉的车道检测算法性能急剧下降；2）低摩擦路面与复杂雪地动力学使得车辆状态估计与轨迹预测面临高度非线性与不确定性。在数据集构建过程中，挑战主要体现为：3）在极端严寒与风雪条件下稳定同步采集多模态传感器数据，确保GPS/RTK信号精度与IMU零偏不漂移；4）对车载天气传感器实时获取的光学路面分类与摩擦系数进行高质量标注与时空对齐，并克服雪地场景中标注数据稀疏且人工标注成本高昂的问题。

常用场景

经典使用场景

AD Winter Driving Dataset的核心用途在于支撑自动驾驶系统在严苛冬季环境下的多模态感知与物理量耦合分析。该数据集整合了25Hz同步的摄像头图像序列、车辆CAN总线动力学参数（包括转向角、制动扭矩及四轮轮速）、高精度6自由度IMU惯性响应数据、GPS/RTK地理坐标轨迹，以及来自MARWIS移动气象站的光学路面分类与摩擦系数估计。这一丰富的多模态数据结构，使得研究者能够同时捕获车辆的运动状态、路面物理特性和环境视觉信息，从而开展对冬季驾驶场景的全面建模。典型使用方式包括基于标注图像的语义分割与车道线检测、利用对齐物理量进行车辆动力学状态估计，以及构建融合视觉与惯性的多模态感知管线。

解决学术问题

该数据集致力于解决自动驾驶社区中长期被忽视的关键学术难题——缺乏在真实冬季工况下兼具视觉感知与同步物理参数的大规模开源基准。现有主流数据集多聚焦于晴朗或弱雨天气，鲜有涵盖冰雪覆盖、低纹理路面及复杂光照反射等冬季特有挑战的标注数据。AD Winter Driving Dataset通过提供超过10万帧带有TuSimple格式车道线标注的冬季图像，并结合精确对齐的动力学与气象物理量，直接回应了三大核心问题：其一，如何量化低对比度与镜面反射对深度分割模型的影响；其二，车辆动力学响应（如轮速差与IMU垂直加速度）是否能为视觉失准提供补偿先验；其三，路面摩擦系数估计能否从气象传感器直接嵌入感知框架。该数据集为开发鲁棒、自适应的冬季自动驾驶算法奠定了实证基础。

衍生相关工作

围绕AD Winter Driving Dataset已衍生出一系列具有影响力的研究工作。最具代表性的是由数据集创建者发表的MI-Snow1000基准，该工作系统评估了多种语义分割与车道线检测模型在密集风雪、结冰路面和低光照条件上的性能衰减，并提出了结合物理模型先验的视觉增强策略。后续工作进一步拓展了该数据集的利用边界：有研究引入了对抗域适应方法，利用非标注序列中的时序信息提升模型对动态雪花的泛化能力；另一项工作则挖掘了IMU垂直加速度与轮速差信号，构建了面向冬季驾驶的侧滑检测与稳定性预测网络。此外，基于MARWIS数据，亦有学者提出了多模态摩擦系数估计框架，将光学分类与CAN总线制动压力数据融合，为车辆纵向控制提供了更稳健的路面附着条件输入，这些工作共同推动了冬季自动驾驶数据驱动的物理感知交叉研究前沿。