RESOLVE

RESOLVE是一个用于路边协同感知的多分辨率和多模态数据集，包含多种传感器数据如点云和图像，并支持3D物体检测、多目标跟踪和协同感知等任务。RESOLVE is a multi-resolution and multi-modal dataset for roadside collaborative perception. It contains various sensor data such as point clouds and images, and supports tasks including 3D object detection, multi-object tracking and collaborative perception.

原始信息汇总

数据集概述

RESOLVE 是一个用于路边协同感知的多分辨率、多模态数据集，其论文已被 ECCV 2026 接收。

主要特点

• 多分辨率 LiDAR 数据：提供高、中、低三种分辨率的 LiDAR 点云数据。
• 多模态数据：包含 LiDAR 点云和相机图像。
• 支持任务：支持 3D 目标检测、3D 多目标跟踪以及智能体级协同感知。
• 数据采集场景：在真实交叉路口（如 sunlakes）采集。

数据发布与许可

• 数据集通过填写 Data Request Form（Google 表单）申请获取下载链接。
• 代码许可：MIT License。
• 数据集许可：Creative Commons Attribution 4.0 International CC BY-NC-ND 4.0。使用需注明出处，不可用于商业用途，不可分发修改版本。

数据集结构

• 原始数据包含多个场景（如 2026-01-04_18_02_01-export），每个场景下有同步的时间戳文件夹（如 rosbag2_2025_10_14-07_21_21）。
• LiDAR 数据按分辨率存储在不同子文件夹中（如 os128、os64、rs16）。
• 图像数据存储于 axis1_sync 至 axis4_sync 文件夹。
• 标定文件存储于 calibration_txt 文件夹。
• 标注信息文件为 .json 格式。

基准测试结果

3D 目标检测（指标格式：AP / AP_80，即平均精度）：

模型	模态	低分辨率	中分辨率	高分辨率
PointPillars	LiDAR	75.1 / 71.2	79.7 / 72.6	80.6 / 73.6
SECOND	LiDAR	68.2 / 66.5	76.6 / 71.2	78.0 / 73.1
CenterPoint	LiDAR	79.9 / 73.9	86.4 / 79.9	87.4 / 80.9
TransFusion-L	LiDAR	82.5 / 76.3	86.6 / 80.1	89.1 / 82.4
VoxSeT	LiDAR	87.4 / 82.9	89.1 / 81.6	90.1 / 83.1
DSVT	LiDAR	85.9 / 81.5	94.1 / 87.0	94.6 / 87.5
Voxel Mamba	LiDAR	85.7 / 81.7	94.9 / 88.5	95.4 / 89.1
LION	LiDAR	88.1 / 84.2	95.1 / 89.8	95.9 / 91.1
BEVFusion	LiDAR + Camera	86.3 / 79.8	92.6 / 84.8	93.1 / 86.4
UniTR	LiDAR + Camera	89.7 / 83.7	94.4 / 87.3	94.9 / 87.4

智能体级协同感知（指标为 AP）：

模型	低分辨率	中分辨率	高分辨率
No Fusion	31.6	50.3	52.9
Early Fusion	48.6	61.0	66.0
Late Fusion	31.0	56.8	58.0
AttFuse	43.7	67.4	72.9
F-Cooper	36.8	63.2	68.9
CoBEVT	43.5	64.0	69.5
V2X-ViT	43.0	67.5	71.5

已发布代码与功能

• v0.1.0 数据集及 3D 目标检测基准代码已发布，支持模型：PointPillars、SECOND、CenterPoint、TransFusion、VoxSeT、DSVT、Voxel Mamba、LION、BEVFusion、UniTR。
• 3D 多目标跟踪基准代码已发布，支持模型：AB3DMOT、CenterPoint、SimpleTrack、Poly-MOT、MCTrack。
• 智能体级协同感知基准代码已发布，支持模型：AttFuse、F-Cooper、CoBEVT、V2X-ViT。

引用信息

若使用本数据集，请引用以下论文：

@misc{resolve2026, title={RESOLVE: A Multi-Resolution and Multi-Modal Dataset for Roadside Cooperative Perception}, author={Shaozu Ding and Linan Song and Marco De Vincenzi and Dajiang Suo}, year={2026}, eprint={2606.31895}, archivePrefix={arXiv}, primaryClass={cs.CV}, url={https://arxiv.org/abs/2606.31895}, }

搜集汇总

数据集介绍

构建方式

在路侧协同感知领域，现有数据集多聚焦于单一分辨率或模态，难以全面刻画真实交通场景的复杂性。RESOLVE数据集通过部署于路侧的多种分辨率激光雷达与摄像头，同步采集了高、中、低三种分辨率（128线、64线、16线）的点云数据及四方向图像，并经由精确标定与时间同步，构建了多分辨率、多模态的协同感知基准。数据采集覆盖路口多视角，所有点云与图像均经过时空对齐，并附有详细的标定文件与注释信息，从而为路侧感知研究提供了丰富的底层数据支撑。

特点

该数据集的显著特点在于其多分辨率与多模态的复合设计。不同于传统单分辨率数据集，RESOLVE支持在同一场景下对比不同激光雷达分辨率的感知性能，为评估算法对传感质量的鲁棒性提供了独特视角。此外，数据集同时涵盖单智能体3D检测、多目标跟踪以及智能体级协同感知三大任务，且每种任务均配备对应的高、中、低分辨率基准模型，展现出极强的任务泛化性与实验可复现性。

使用方法

使用者需先通过数据请求表单获取下载链接，并按指定目录结构解压组织数据。进行3D目标检测时，可基于OpenPCDet框架安装环境，通过设置`sensor_type`参数生成不同分辨率的数据信息文件，随后参照nuScenes格式整理目录并运行训练脚本。对于多目标跟踪与协同感知任务，数据集的工具链提供了与OpenCOOD等框架的集成接口，仅需配置传感器参数与本地路径，即可调用多种主流算法进行训练与评估，极大降低了研究者的使用门槛。

背景与挑战

背景概述

RESOLVE数据集于2026年由Shaozu Ding、Linan Song等研究人员在ECCV 2026会议上提出，旨在攻克路侧协同感知领域的关键瓶颈。随着自动驾驶对复杂交通场景感知需求的日益提升，单一车载传感器视角有限，且不同分辨率传感器在实际部署中性能差异悬殊。该数据集聚焦于多分辨率、多模态路侧数据融合这一核心研究问题，通过部署多种分辨率激光雷达与相机，构建了涵盖高、中、低三档点云密度的协同感知基准。其发布为评估不同层次协同策略在多样化硬件配置下的鲁棒性提供了标准化平台，对推动智能交通系统与车路协同技术的发展具有重要影响力。

当前挑战

RESOLVE数据集所解决的领域挑战在于：异构传感器分辨率差异导致的路侧感知性能不稳定性，例如同一模型在高分辨率下NDS可达91.1%，而在低分辨率下骤降至84.2%，严重制约了实际部署的泛化能力。构建过程中面临的挑战包括：多传感器系统的精细化时间同步与空间标定，尤其需确保不同刷新率设备间的帧对齐；海量点云与图像数据的存储与高效索引；以及跨分辨率、跨模态数据标注的一致性维护，需避免因传感器差异带来的标注偏差，从而保障基准实验的公平性与可复现性。

常用场景

经典使用场景

在智能交通与车路协同领域，RESOLVE数据集为路侧多分辨率、多模态协同感知提供了标准化的评测平台。其最经典的应用场景聚焦于路侧3D目标检测：研究者可基于该数据集，利用高、中、低三种分辨率（128线、64线、16线）的激光雷达点云与多视角相机图像，在统一框架下训练和评估PointPillars、CenterPoint、BEVFusion等主流检测模型。通过支持不同传感器配置下的模型性能对比，该场景能够深入揭示分辨率变化对感知精度的定量影响，从而推动面向复杂路口环境的鲁棒感知算法设计。

实际应用

在智慧城市建设中，RESOLVE数据集直接赋能路侧感知系统的硬件选型与算法部署。实际应用时，交通管理部门可依据数据集在不同分辨率下的评测结果，针对路口预算与精度需求，择优配置经济型16线或性能型128线激光雷达。基于该数据训练的多目标跟踪算法（如AB3DMOT、Poly-MOT）已可部署于路侧边缘计算单元，实现对行人、车辆轨迹的实时连续追踪，为碰撞预警、信号灯动态配时等应用提供关键感知基元。同时，车路协同中的V2X-ViT等融合模型，通过整合多路侧节点的信息，可有效应对城市峡谷与密集车流造成的单点感知失效，提升全息路口系统的安全性。

衍生相关工作

RESOLVE数据集催生了系列突破性研究工作：在检测方向，Voxel Mamba与LION利用状态空间模型替代传统卷积，在低分辨率点云上展现出显著性能提升，启发了稀疏感知下的高效架构设计；在跟踪方向，MCTrack等算法针对路侧场景的多目标运动模式，发展了联合检测-跟踪的端到端范式；在协同感知方向，CoBEVT与V2X-ViT等基于Transformer的融合机制被提出，有效解决了多路侧节点间异质传感器数据的时空对齐与特征交互难题。这些工作以RESOLVE为统一基准，系统推动了路侧感知从单模态、单分辨率向多模态、多分辨率协同的范式转型。