UrbanIng-V2X

UrbanIng-V2X 是一个大规模的多模态数据集，支持涉及车辆和基础设施传感器的协同感知。该数据集由三个位于德国英戈尔施塔特的交叉路口收集，包括12个车载RGB相机、2个车载LiDAR、17个基础设施热像仪和12个基础设施LiDAR。所有序列均以10Hz的频率进行注释，具有跨越13个对象类别的3D边界框，总计约712k个注释实例。该数据集旨在解决自动驾驶车辆在复杂城市交叉路口中的感知问题，通过多车协同感知来克服视野限制和遮挡问题。

AI搜集汇总

数据集介绍

构建方式

在智能交通系统快速发展的背景下，UrbanIng-V2X数据集通过精心设计的多智能体协作框架构建而成。该数据集在德国英戈尔施塔特的三个城市交叉口部署了两辆联网车辆和七个基础设施传感器杆，每辆车配备6个RGB摄像头和1个128线激光雷达，基础设施则配置了17个热成像摄像头和12个激光雷达。采用UTC时钟作为统一时间基准，通过精密时间协议实现传感器间毫秒级同步，并利用相位锁定技术确保激光雷达旋转周期的确定性。数据采集后经过严格筛选，从8小时原始记录中精选出34段20秒的场景序列，涵盖昼夜不同光照条件下的多样化交通场景。

特点

作为首个覆盖多交叉口的多车辆多基础设施协同感知数据集，UrbanIng-V2X展现出独特的学术价值。其最显著的特点是实现了跨三个异构交叉口的空间覆盖，每个场景涉及多达16个协同传感器，包括首次引入的热成像摄像头模态。数据集提供精确的时空对齐数据，包含81.6k张RGB图像、38.8k张热成像图像和27.2k帧激光雷达点云。所有数据均以10Hz频率标注了13个对象类别的3D边界框，总计约712k个标注实例，并配备高精地图和CARLA数字孪生环境。这种多模态、多视角的丰富标注为研究交叉口布局对感知性能的影响提供了理想平台。

使用方法

该数据集支持协同感知研究的多个关键任务，包括3D目标检测、跟踪、轨迹预测和定位。研究者可采用两种创新的数据集划分策略：均衡交叉口划分确保各子集数据特征平衡，而独立交叉口划分通过留一法评估模型在未知交叉口的泛化能力。开发工具包提供了与OpenCOOD和nuScenes框架的格式转换器，便于集成到现有感知流程中。基于激光雷达的基准测试显示，在已知交叉口上模型性能可达38.2mAP@0.5，而在未知交叉口性能下降至24.2mAP@0.5，凸显了模型泛化这一核心挑战。数字孪生环境的引入进一步支持仿真数据生成和领域自适应研究。

背景与挑战

背景概述

随着智能交通系统的快速发展，协同感知技术已成为提升自动驾驶系统环境理解能力的关键路径。2025年，由德国英戈尔施塔特技术大学与慕尼黑工业大学联合研发的UrbanIng-V2X数据集应运而生，作为首个覆盖多车辆、多基础设施传感器的大规模协同感知数据集，其核心研究聚焦于解决复杂城市交叉路口场景下的感知盲区与协作效率问题。该数据集通过在德国英戈尔施塔特三个真实城市交叉路口部署34组时空对齐的多模态传感器序列，为协同感知算法在异构交通环境中的泛化性能评估提供了重要基准，显著推动了车路协同技术从理论验证向实际应用的跨越。

当前挑战

在协同感知领域，UrbanIng-V2X致力于攻克多交叉路口场景下三维目标检测与跟踪的核心难题，其技术挑战主要体现在感知系统对动态障碍物的跨视角关联精度与复杂场景泛化能力。数据集构建过程中面临多重工程挑战：多智能体系统的精密时空同步需协调12台车载RGB相机、2台车载激光雷达与17台路侧热成像相机、12台路侧激光雷达的协同采集；异构传感器标定需通过反射标记物与RTK定位系统实现厘米级精度；数据融合阶段需解决运动补偿与坐标系统一带来的点云对齐误差，最大时空偏差达0.7米。此外，多交叉路口布局差异导致的模型泛化衰减问题，在基准测试中表现为未见路口场景下检测性能下降14.0mAP@0.5的显著差距。

常用场景

经典使用场景

在智能交通系统研究中，UrbanIng-V2X数据集为协同感知算法提供了多交叉路口验证平台。该数据集通过整合两辆智能车辆与三处路侧基础设施的传感器数据，构建了覆盖三个城市路口的协同感知场景。研究人员可利用其时空对齐的多模态数据，评估车辆与基础设施在复杂交通环境中的协同检测性能，特别是在处理视觉遮挡和扩大感知范围方面的表现。

衍生相关工作

基于该数据集的特有架构，衍生出多项创新性研究。其中分离交叉口划分方法催生了针对未知环境泛化的新型评估范式，推动了CoBEVT、AttFuse等中间融合算法的性能优化。数据集提供的热成像模态激发了多光谱融合研究的新方向，而其数字孪生环境则为域自适应和仿真到真实场景的迁移学习提供了理想实验平台。

数据集最近研究

最新研究方向

在智能交通系统领域，UrbanIng-V2X数据集正推动协同感知研究向多交叉路口泛化能力方向深入发展。该数据集通过整合三个不同布局的城市交叉路口，首次实现了多车辆与多基础设施传感器的协同数据采集，为研究模型在未知环境下的适应能力提供了重要基准。当前研究热点集中于探索中间融合策略在跨路口场景中的性能表现，实验表明现有先进算法在已知路口可达38.2mAP@0.5的检测精度，而在未见路口则显著下降至24.2mAP@0.5，凸显了模型泛化这一核心挑战。该数据集配备的高精度数字孪生系统与热成像模态，进一步拓展了多模态融合与仿真迁移学习的研究维度，为构建更鲁棒的自动驾驶协同感知系统奠定了坚实基础。

相关研究论文

• 通过

  英戈尔施塔特技术大学，慕尼黑工业大学 · 2025年