TJ4DRadSet|自动驾驶数据集|4D雷达数据集

arXiv2022-07-27 更新2024-06-21 收录

自动驾驶

4D雷达

下载链接：

https://github.com/TJRadarLab/TJ4DRadSet

下载链接

链接失效反馈

资源简介：

TJ4DRadSet是由同济大学雷达实验室创建的自动驾驶数据集，专注于4D雷达点云数据。该数据集包含7757个同步帧，涵盖44个连续序列，均配有高质量的3D边界框和跟踪ID标注。数据集覆盖多种驾驶场景，如高架道路、复杂交叉口、单行道和城市道路，以及恶劣光照条件。创建过程中，使用了包括4D雷达、相机、激光雷达和全球导航卫星系统在内的多传感器平台。TJ4DRadSet旨在推动基于4D雷达的环境感知算法研究，特别是在高级自动驾驶系统中的应用。

提供机构：

同济大学雷达实验室

创建时间：

2022-04-28

AI搜集汇总

数据集介绍

构建方式

TJ4DRadSet数据集的构建主要通过在多种道路条件下，运用装有4D雷达、激光雷达和摄像头的采集平台进行数据采集。该平台基于ROS，并利用多个传感器同步采集数据。数据集包含7757个同步帧，分布在44个连续序列中，每个对象都标注有3D边界框和跟踪ID。构建过程中，首先进行多传感器标定，包括内参标定、外参标定和时间对齐。随后在苏州进行数据采集，覆盖不同照明条件和道路类型。数据标注主要依赖于激光雷达点云和图像进行联合标注，同时辅以多轮人工检查以保证数据质量。

特点

TJ4DRadSet数据集的特点在于：一是包含了4D雷达点云，具有范围、方位、仰角和径向速度等多维度信息；二是数据集覆盖了多种道路条件和照明条件，具有较强的真实性和多样性；三是提供了丰富的标注信息，包括3D边界框、类别和跟踪ID，有助于3D感知算法的研究。

使用方法

使用TJ4DRadSet数据集时，用户可以从GitHub链接下载数据。数据集分为训练集和测试集，可根据序列进行划分。用户需要根据4D雷达点云的特点，选择合适的网络模型进行训练和测试。例如，论文中使用了PointPillars算法作为基线，并对网络配置进行了调整以适应4D雷达数据。同时，数据增强等技术也被用于提高网络的鲁棒性。在评估阶段，使用平均精度（AP）作为评价指标。

背景与挑战

背景概述

随着自动驾驶技术的快速发展，环境感知作为其核心模块之一，亟需高可靠性和高分辨率感知模块的支持。TJ4DRadSet数据集应运而生，旨在为自动驾驶领域提供包含4D雷达点云的综合性数据集。该数据集由同济大学的研究团队于2021年第四季度在中国苏州采集，涵盖了多种道路条件和光照环境，为3D感知算法研究提供了丰富的场景和数据支持。

当前挑战

TJ4DRadSet数据集的构建面临着多重挑战：首先，4D雷达点云的数据量庞大，且包含丰富的信息维度，对数据处理和标注提出了较高要求；其次，相较于传统的相机和激光雷达，4D雷达在3D感知领域的研究和应用还相对较少，缺乏成熟的算法和模型支持；最后，如何有效提取4D雷达点云的特征，并与其他模态信息融合，提高感知准确性，是当前研究的关键问题。

常用场景

经典使用场景

TJ4DRadSet数据集最经典的使用场景在于为自动驾驶研究提供4D雷达点云数据，其包含的丰富场景和精确的3D标注使得该数据集在三维物体检测、跟踪等环境感知任务中具有重要价值。

衍生相关工作

基于TJ4DRadSet数据集，研究者们已开展了一系列相关工作，包括4D雷达点云的特征提取、多模态信息融合、三维物体检测算法改进等，推动了雷达感知技术在自动驾驶领域的应用和发展。

数据集最近研究