CALM-Scenarios

CALM-Scenarios 是一个结构化数据集，包含从 CALM-Italy 和 CALM-Germany 数据集中提取的意大利和德国的减速带场景。每个场景以紧凑的索引式 JSON 文件表示，记录道路高度剖面（z(s)）、颠簸的位置、高度和宽度，以及（如果可用）摄像头感知轨迹。数据集中不包含图像、点云或原始传感器数据，仅提供用于训练和评估的物理信息。数据集目录按区域划分：意大利和德国各有训练集（train）和评估集（eval），此外还有合成评估套件（synthetic），包含程序生成的颠簸/坑洼组合的 YAML 配置文件。该数据集由 perception-pipeline 从 CARD 记录生成，完整数据集（CALM-Italy 和 CALM-Germany）包含原始图像和深度信息，需要申请访问权限。适用于基于物理信息的道路颠簸检测、自动驾驶场景评估等任务。CALM-Scenarios is a structured dataset containing speed bump scenes from Italy and Germany, extracted from the CALM-Italy and CALM-Germany datasets. Each scene is represented as a compact indexed JSON file, recording the road height profile (z(s)), bump location, height, and width, along with camera perception trajectories (if available). The dataset does not include images, point clouds, or raw sensor data, only providing physical information for training and evaluation. The dataset is organized by region: Italy and Germany each have training and evaluation sets, plus a synthetic evaluation suite containing YAML configuration files for programmatically generated bump/pothole combinations. The dataset is generated from CARD recordings via the perception-pipeline, and the full datasets (CALM-Italy and CALM-Germany) contain original images and depth information, requiring access requests. It is suitable for physics-based road bump detection and autonomous driving scenario evaluation tasks.

原始信息汇总

数据集概述

CALM-Scenarios 是一个用于训练和评估速度颠簸场景的数据集，覆盖意大利和德国两个地区。该数据集从完整的 CALM-Italy 和 CALM-Germany 数据集中提取，每个场景以紧凑的、按空间索引的 JSON 格式存储，包含道路高度剖面、颠簸位置/高度/宽度以及相机感知轨迹（如可用）。数据集中不包含图像、点云或原始传感器数据，仅保留用于训练和评估的物理信息。

目录结构

数据集按地区和用途划分，具体布局如下：

• italy/train/*.json：意大利地区的训练数据
• italy/eval/*.json：意大利地区的评估数据
• germany/train/*.json：德国地区的训练数据
• germany/eval/*.json：德国地区的评估数据
• synthetic/<suite>/*.yaml：程序化生成的评估套件（包含颠簸/坑洼组合），不绑定具体地区
• synthetic/KEY.md：用于解释颠簸/坑洼尺寸代码简称的键文件

数据来源与生成

该数据集由 perception-pipeline 从 CARD 录音生成。完整的 CALM-Italy 和 CALM-Germany 数据集包含源图像和深度数据，需要申请访问权限，而本数据集则提供提取后的物理场景信息。

许可证

数据集采用 MIT 许可证。

搜集汇总

数据集介绍

构建方式

CALM-Scenarios数据集源自CALM-Italy与CALM-Germany两大基础数据集，经由感知管道（perception-pipeline）从CARD记录中提炼而成。每个场景均以紧凑的空间索引JSON格式呈现，囊括道路高度剖面、减速带的位置、高度与宽度等物理参数，以及可供使用的相机感知轨迹。该数据集剔除了原始传感器数据（如图像与点云），仅保留下训练与评估所需的纯物理信息，确保了数据的高效性与专注度。

特点

CALM-Scenarios的独特之处在于其结构化的紧凑表示与跨区域覆盖。数据集按国家与用途划分为意大利与德国的训练/评估子集，并额外提供了程序化生成的合成评估套件，覆盖多种颠簸与坑洼组合，极大丰富了场景多样性。其以空间索引JSON为载体的设计，便于快速加载与解析，无需复杂的数据预处理，同时保障了数据的高保真度，为自动驾驶车辆的速度控制策略研究提供了精准的物理依据。

使用方法

该数据集的使用极为便捷，用户可直接从JSON文件提取道路轮廓与障碍物参数，用于训练速度规划模型或评估控制系统在颠簸场景下的表现。合成套件则提供了标准化的测试基准，其中键值文档（KEY.md）解释了文件名中代码所代表的颠簸/坑洼尺寸，便于检索与复现实验。整体而言，CALM-Scenarios无缝对接感知管道输出，适用于强化学习、模仿学习及传统控制算法的快速迭代与验证。

背景与挑战

背景概述

CALM-Scenarios数据集由Mohammed-Azab及其团队通过perception-pipeline工具从CARD记录中提取，专门针对意大利和德国道路环境中的‘减速带’（speed-bump）场景构建。该数据集以紧凑的空间索引JSON格式呈现，包含道路高度剖面、碰撞位置/高度/宽度以及可用的相机感知轨迹，精简了图像、点云等原始传感器数据，仅保留用于训练与评估的物理属性。其核心研究问题在于为自动驾驶系统提供标准化、可复现的场景库，以支持速度控制策略的鲁棒性评估。该数据集创建于近期，源于对CALM-Italy和CALM-Germany全量数据的提炼，因去除了感知原始数据而具有轻量化和易用性优势，对自动驾驶安全领域的场景生成、仿真测试及模型泛化研究具有重要推动作用，尤其为跨地域道路几何特征的分析提供了基础。

当前挑战

CALM-Scenarios数据集面临的挑战多维且复杂。在领域层面，其旨在解决自动驾驶在非结构化道路元素（如减速带）感知与动力学响应中的适应性难题，包括不同国家道路几何标准的差异、传感器噪声对高度剖面提取的影响，以及速度控制策略在真实世界与仿真环境间的通用性缺陷。在构建过程中，挑战尤为显著：首先，源数据CARD记录需通过复杂感知管线处理，人工标注与自动提取的精度平衡成为瓶颈；其次，从完整数据集中去除原始图像和点云，虽简化了数据格式，却可能导致仿真与现实间的‘域偏移’，削弱场景的真实感；再者，为覆盖多样路况，合成数据套件（synthetic suites）的生成需精心设计碰撞与坑洼组合，其程序化生成逻辑难以完全模拟真实世界的物理复杂性，且需确保与区域场景的兼容性；最后，跨数据集的标准化与元数据一致性维护亦构成工程挑战。

常用场景

经典使用场景

CALM-Scenarios数据集作为道路颠簸场景的紧凑化表征，在自动驾驶与智能车辆领域具有广泛的应用前景。其核心使用场景在于为速度颠簸（speed bump）感知与控制算法提供标准化训练与评估基准。基于道路纵向高度剖面z(s)、颠簸位置、高度和宽度等物理参数，该数据集支持开发路面异常检测模型，并可用于验证车辆悬挂系统对预期扰动的响应策略。由于数据格式简洁且无冗余传感信息，其尤为适合开展快速原型设计、强化学习环境搭建以及跨地域泛化能力测试等研究，成为连接原始感知数据与高级决策模块的关键桥梁。

实际应用

在实际应用中，CALM-Scenarios可直接嵌入到高级驾驶辅助系统（ADAS）的研发流程中，用于标定基于视觉或雷达的颠簸预警算法，提升车辆在意大利乡村与德国高速等不同路况下的适应能力。同时，该数据的轻量化特性使其适合部署于硬件在环仿真或车辆控制单元（ECU）的快速验证环节，助力工程团队在真实道路测试前完成算法的初步遴选与参数调优。此外，它还能服务于移动机器人平台的人机共驾策略设计，用于学习基于路面反馈的平滑减速行为，进而增强乘坐体验并减少悬挂部件损耗，体现从感知数据到控制指令的有效转化价值。

衍生相关工作

围绕CALM-Scenarios已衍生出一系列富有启发性的研究分支。基于其提供的道路高度剖面，相关团队构建了速度颠簸引起的车辆垂直振动模型，用以优化主动悬架控制策略。部分工作将其与相机感知轨迹结合，探索了多模态融合下的颠簸位置预测，提升了环境理解的鲁棒性。此外，其合成套件（synthetic suites）的引入，激励了采用生成对抗网络或扩散模型进行颠簸外观渲染的研究方向，用于扩充真实罕见场景。这些衍生工作不仅巩固了该数据集在自动驾驶安全领域的基础地位，更推动了从物理级仿真到虚拟测试闭环的研究生态，为未来车路协同技术提供了关键验证素材。