TJScenes

Name: TJScenes
Creator: 同济大学
Published: 2026-07-22T20:18:30+08:00

arXiv2026-07-22 更新2026-07-24 收录

三维占据预测

自动驾驶场景

数据链接：

https://arxiv.org/abs/2607.20071v1 数据链接链接失效反馈

官方服务：

资源简介：

TJScenes是由同济大学构建的用于高分辨率三维占据预测的专用数据集，旨在解决自动驾驶与机器人导航中细粒度场景理解的需求。该数据集包含27911个标注样本，采集自动态校园环境，每个样本提供六摄像头全景图像与0.1米分辨率的3D语义占据标注，数据来源于Livox Mid-360激光雷达扫描，覆盖±20米平面范围与-2米至4.4米高度。数据集创建通过定制移动机器人平台同步采集多传感器数据，并经过精细标注流程完成。其核心应用于评估高体素分辨率下的几何感知模型性能，特别关注人行道与非道路场景，弥补现有道路中心数据集的不足，推动机器人导航中的细粒度环境建模。

TJScenes is a dedicated dataset developed by Tongji University for high-resolution 3D occupancy prediction, designed to address the demand for fine-grained scene understanding in autonomous driving and robotic navigation. It comprises 27,911 annotated samples collected from dynamic campus environments. Each sample includes six-camera panoramic images and 3D semantic occupancy annotations with a 0.1-meter resolution. The data is captured via Livox Mid-360 LiDAR scans, covering a planar range of ±20 meters and a height span from -2 meters to 4.4 meters. The dataset is constructed by synchronously collecting multi-sensor data using a custom mobile robotic platform, followed by a rigorous annotation workflow. Its core application is to evaluate the performance of geometric perception models under high voxel resolution, with specific emphasis on sidewalk and off-road scenarios. It fills the gap of existing road-centric datasets and advances fine-grained environmental modeling for robotic navigation.

提供机构：

同济大学

创建时间：

2026-07-22

原始信息汇总

数据集名称

TJScenes

数据集简介

TJScenes 是一个全景六摄像头占用数据集，用于高分辨率三维几何感知评估。其标注具有0.1米的极高空间分辨率。

数据集用途

用于评估高分辨率三维占用预测任务，特别是面向自动驾驶和机器人导航的场景理解。
旨在结合所提出的 GaussianSeed 框架，推动高分辨率三维占用预测的效率与质量前沿。

数据集规模与分辨率

标注空间分辨率：0.1米。
传感器配置：全景六摄像头。

相关论文

论文标题：GaussianSeed: Hierarchical Gaussian Seeding for High-Resolution 3D Occupancy Prediction
作者：Xinzhuo Li, Xianghui Pan, Jiayuan Du, Wei Wei, Liuyi Wang, Chengju Liu, Qijun Chen
提交时间：2026年7月22日
论文链接：https://arxiv.org/abs/2607.20071v1

搜集汇总

数据集介绍

构建方式

TJScenes数据集的构建依托于一台定制化移动机器人平台，该平台搭载了六摄像头全景阵列，能够同步采集360度环绕视图的影像数据。为获取高保真度的三维语义占据标注，研究团队利用 Livox Mid-360 激光雷达进行扫描，并在此基础上以 0.1 米的精细体素分辨率对感知范围内的场景进行逐点语义标注，感知范围覆盖前后各20米、左右各20米以及高度从-2米至4.4米的立体空间。数据集总计囊括7个迥异的校园环境场景，最终产出27911个经过严格标注的样本，每个样本均包含同步的多视角图像与精细化的占据网格真值。

特点

TJScenes数据集的核心特质在于其对微观移动与机器人导航场景的深度聚焦，突破了现有占据预测基准以结构化道路为主的单一格局，独特地引入了丰富的非结构化校园路径、人行道及越野环境。与主流数据集采用0.4米或0.2米粗粒度分辨率不同，TJScenes以0.1米的高空间分辨率提供标注，能够精准捕捉路缘、细长障碍物等细微的几何拓扑边界，这对于复杂环境下的精确导航至关重要。此外，数据集涵盖了13个标准语义类别，其中动态物体与静态背景的分布具备鲜明的非均衡性，为评估高分辨率占据预测算法在细节感知层面的鲁棒性提供了严苛的测试平台。

使用方法

TJScenes数据集主要服务于视觉中心的高分辨率三维占据预测任务，特别适合用于评估模型在精细几何感知上的表现。使用时，研究人员可将六目摄像头采集的同步图像序列与对应的0.1米分辨率占据真值配对，作为模型的输入与监督信号。数据集支持端到端的训练范式，允许模型直接在密集的占据网格上进行语义与几何的双重监督。鉴于其高分辨率特性，TJScenes能够有效检验算法在应对计算瓶颈时的扩展能力，尤其适合验证如高斯渐进式分层框架等稀疏表示方法在保持实时推理效率的同时，能否在挑战性场景中实现精准的细粒度占据重建。

背景与挑战

背景概述

TJScenes数据集由同济大学的研究团队于2026年创建，旨在填补现有三维占据预测基准在高分辨率与多样化场景方面的空白。该数据集的核心研究问题聚焦于微移动与机器人导航场景下的精细几何感知能力，通过部署定制化移动机器人平台搭载六摄像头全景系统，采集了涵盖校园环境、人行道与非结构化越野场景的27911个标注样本。与主流道路-centric基准如Occ3D-nuScenes（0.4m分辨率）和Waymo Open Dataset（缺乏后视传感器）相比，TJScenes在0.1m超精细体素分辨率下提供完整360度感知范围，并引入13类语义标签，为高保真几何结构理解设立了严苛的评估标准，推动了占据预测从道路场景向非结构化环境的范式扩展。

当前挑战

TJScenes数据集所解决的领域挑战在于高分辨率三维占据预测的计算瓶颈与现有基准的局限性。一方面，主流方法依赖密集体素表示，当分辨率提升至0.1m时，计算复杂度呈立方级增长，导致显存溢出与推理延迟剧增，而稀疏表示方法（如分级体素剪枝或点集预测）在精细粒度下也面临不可逆信息丢失或查询匹配开销过大的困境。另一方面，构建过程中需克服数据采集与标注的严峻挑战：六相机全景系统的同步校准、非结构化场景中LiDAR点云的稀疏性导致的标注歧义，以及0.1m体素网格遍历带来的标注效率问题，均通过定制化机器人平台与精细后处理流程得以缓解，最终实现了对路沿、交通锥等细节结构的精准编码。

常用场景

经典使用场景

TJScenes数据集专为高分辨率三维语义占用预测任务而设计，其经典使用场景在于评估和验证视觉中心式占用预测模型在精细空间分辨率下的感知能力。该数据集提供了0.1米分辨率的三维占用标注，覆盖全景六相机环绕视图，特别适用于研究从粗粒度到细粒度的渐进式场景理解。研究者可借助TJScenes测试模型在捕捉道路路缘、行人、自行车等细微几何结构方面的表现，从而推动占用预测算法在复杂环境中的精度与效率边界。

衍生相关工作

TJScenes的发布催生了多项重要研究工作，最典型的是与其配套提出的GaussianSeed框架，该工作巧妙利用层次化高斯种子分裂策略，实现了从粗略场景布局到精细几何细节的渐进式占用预测。此外，TJScenes的高分辨率标注特性激励了针对稀疏表示方法的研究，如OPUS等点集预测方法在该数据集上得到新评估，揭示了离散点查询在捕捉动态物体精细边界时的局限性。未来，TJScenes有望推动基于高斯原语、神经渲染等新型占用预测范式的涌现，进一步丰富高保真三维感知的技术生态。

数据集最近研究

TJScenes

资源简介：

数据集名称

数据集简介

数据集用途

数据集规模与分辨率

相关论文

相关数据集