FieldSAFE

FieldSAFE是由奥胡斯大学工程学院创建的多模态数据集，专注于农业环境中的障碍物检测。该数据集包含约2小时的原始传感器数据，采集自2016年10月丹麦的一次草坪修剪场景。数据集涵盖了立体相机、热像仪、网络摄像头、360度相机、激光雷达和雷达等多种传感器的记录，同时融合了IMU和GNSS实现精确定位。数据集中包括静态和动态障碍物，如人、人体模型、岩石、桶、建筑物、车辆和植被，所有障碍物均配有地面实况对象标签和地理坐标。该数据集旨在支持自主农业车辆的安全系统研究，特别是在实时障碍物检测和避免方面。

FieldSAFE is a multimodal dataset created by the Faculty of Engineering, Aarhus University, focusing on obstacle detection in agricultural environments. This dataset contains approximately 2 hours of raw sensor data collected during a lawn mowing scenario in Denmark in October 2016. It includes recordings from various sensors such as stereo cameras, thermal imagers, webcams, 360-degree cameras, LiDAR and radar, and integrates IMU and GNSS for precise positioning. The dataset covers both static and dynamic obstacles including humans, mannequins, rocks, barrels, buildings, vehicles and vegetation, with all obstacles equipped with ground-truth object labels and geographic coordinates. This dataset is designed to support research on safety systems for autonomous agricultural vehicles, particularly in real-time obstacle detection and avoidance.

搜集汇总

数据集介绍

构建方式

FieldSAFE数据集通过在丹麦的一次草地割草场景中，利用安装在拖拉机上的多模态传感器系统收集了约2小时的原始传感器数据。该系统集成了立体相机、热像仪、网络摄像头、360度相机、激光雷达和雷达等多种传感器，并通过融合惯性测量单元(IMU)和全球导航卫星系统(GNSS)实现了精确的定位。数据集包含了静态和动态障碍物，如人类、假人、岩石、木桶、建筑物、车辆和植被等，并对所有障碍物进行了地面真实对象标签和地理坐标的标注。

使用方法

FieldSAFE数据集的使用方法主要分为以下几个步骤：首先，下载并解压数据集。然后，根据研究需求选择合适的传感器数据进行处理和分析。例如，可以使用立体相机和激光雷达的数据进行障碍物的检测和识别，或者使用热像仪和360度相机数据进行环境感知。此外，数据集还包含了障碍物的地面真实标签和地理坐标，可以帮助研究者评估检测算法的性能。最后，根据研究目的，可以将数据集与其他数据集进行对比和分析，或者将其应用于实际场景中的障碍物检测和避免。

背景与挑战

背景概述

随着精准农业的兴起，自动化技术在农业生产中的应用日益广泛，特别是对于农业车辆的自动驾驶。为了提升农业车辆的安全性，实时且高可靠性的障碍物检测系统显得尤为重要。FieldSAFE数据集正是在这一背景下应运而生，由丹麦奥尔胡斯大学的工程系与Conpleks Innovation ApS和AgroIntelli公司合作创建。该数据集收集了2016年10月在丹麦进行草地割草作业时，拖拉机上搭载的多模态传感器系统的原始数据，包括立体相机、热相机、网络摄像头、360度摄像头、激光雷达和雷达等。数据集包含了2小时左右的记录，真实地反映了农业环境中的障碍物，如人类、假人、岩石、桶、建筑物、车辆和植被等。FieldSAFE数据集为研究农业环境下的障碍物检测提供了宝贵资源，对推动精准农业技术的发展具有重要意义。

当前挑战

FieldSAFE数据集面临的挑战主要来自两个方面：首先是农业环境的复杂性。农业环境往往是非结构化或半结构化的，与城市自动驾驶中常见的平面道路和交通标志不同。在农业环境中，可通行、不可通行和处理过的地形之间的区分尤为重要，例如在割草、喷洒除草剂或收割时，高草或高作物可能是可通行的，而人类、动物和车辆则不是。其次，多模态传感器融合的挑战。在农业环境中，地平面的假设可能会在粗糙的地形或高草中失效，而基于视觉的检测算法可能会因为自然环境中常见的动物和植被的视觉伪装而失败。因此，FieldSAFE数据集需要探索和开发新的传感模态、检测算法和融合策略，以适应农业环境下的障碍物检测需求。

常用场景

经典使用场景

FieldSAFE数据集是专为农业障碍物检测而设计的，它包含了从拖拉机上安装的多模态传感器系统收集的大约2小时的原始传感器数据。这些数据来源于2016年10月在丹麦的一次草地割草场景。数据集包括立体相机、热相机、网络摄像头、360度摄像头、激光雷达和雷达等多种传感器的数据，以及由融合惯性测量单元（IMU）和全球导航卫星系统（GNSS）提供的精确定位信息。该数据集不仅包含了静态障碍物，如人类、假人、岩石、桶、建筑物、车辆和植被，还包含了动态障碍物，如行走的人类。所有障碍物都有真实物体的标签和地理坐标。

解决学术问题

FieldSAFE数据集解决了在农业环境中进行障碍物检测的难题。在农业环境中，障碍物检测比在城市环境中更为复杂，因为农业环境通常是非结构化或半结构化的，而且需要区分可通行、不可通行和可处理的地面。此外，农业环境中的障碍物往往具有视觉伪装性，如动物和植被，这给视觉检测算法带来了挑战。FieldSAFE数据集通过提供多种传感器的数据和多模态融合策略，为研究农业环境中的障碍物检测提供了宝贵的数据支持。

实际应用

FieldSAFE数据集在实际应用中，如自动驾驶农业机械的开发中具有重要作用。自动驾驶农业机械需要能够实时、可靠地检测和避免障碍物，以确保操作的安全性和效率。FieldSAFE数据集为自动驾驶农业机械的障碍物检测算法的开发和测试提供了真实、丰富的数据资源。此外，该数据集还可以用于评估和比较不同传感器的性能，以及不同障碍物检测算法的准确性和鲁棒性。

数据集最近研究

最新研究方向

FieldSAFE数据集专注于农业领域的障碍物检测，提供了拖拉机在草地割草场景中的多模态传感器数据。该数据集的最新研究方向在于探索如何融合多种传感器模态，如立体相机、热相机、网络摄像头、360度相机、激光雷达和雷达，以提高在农业环境中障碍物检测的准确性和鲁棒性。研究热点包括如何利用多模态数据来处理农业环境中的光照和天气条件变化，以及如何通过精确的定位数据来辅助障碍物检测。此外，研究还关注于如何将数据集应用于实际农业自动化中，例如无人驾驶拖拉机等。该数据集对推动农业自动化技术的发展具有重要意义，有助于提高农业生产效率，减少人工劳动力，并确保农业作业的安全性。

相关研究论文

• FieldSAFE: Dataset for Obstacle Detection in Agriculture

  奥胡斯大学工程学院 · 2017年