CATS-V2V

一个真实世界的车辆到车辆协同感知数据集，包含复杂恶劣交通场景。A real-world vehicle-to-vehicle cooperative perception dataset covering complex and harsh traffic scenarios.

原始信息汇总

CATS-V2V 数据集概述

CATS-V2V 是一个真实世界的车对车协同感知数据集，专注于复杂不利交通场景。

• 来源：收录于 CVPR 2026。
• 核心任务：面向车对车（V2V）协同感知，支持在复杂不利条件下的交通场景研究。
• 数据集特性：
  • 真实世界采集，非仿真生成。
  • 针对复杂不利交通场景（如恶劣天气、遮挡、拥堵等）专门构建。
• 配套资源（以下为相关链接，无需访问）：
  • 项目页面：https://cats-v2v-dataset.github.io
  • 论文：https://openaccess.thecvf.com/content/CVPR2026F/papers/Li_CATS-V2V_A_Real-World_Vehicle-to-Vehicle_Cooperative_Perception_Dataset_with_Complex_Adverse_CVPRF_2026_paper.pdf
  • 数据集访问：https://huggingface.co/papers/2511.11168

搜集汇总

数据集介绍

构建方式

CATS-V2V数据集聚焦于真实世界中复杂恶劣的交通场景，通过多辆装备有激光雷达、摄像头等传感器的车辆在道路上协同采集数据，构建了车辆间（V2V）协同感知基准。数据采集涵盖城市、郊区及高速公路等多种环境，并特别针对恶劣天气（如雨、雾、夜间）及遮挡、密集车流等高挑战性场景进行了专门的数据收录，确保了数据集的现实代表性与场景复杂性。

特点

该数据集的核心特色在于其专注于极端与不利条件下的协同感知，弥补了现有数据集多聚焦于良好天气与简单场景的不足。CATS-V2V提供了丰富的多模态传感器同步数据与精确的跨车辆标注，支持对感知算法在恶劣环境下的鲁棒性验证，为提升自动驾驶系统在真实恶劣条件下的安全性与可靠性提供了关键研究基础。

使用方法

用户可通过项目主页或Hugging Face平台直接下载CATS-V2V数据集。配套的代码与评估工具即将开源，预计将包含数据加载、传感器标定、协同感知算法实现以及标准评测脚本。研究者可基于该数据集训练与测试车辆间协同感知模型，并在其提供的各类恶劣交通场景下评估模型的感知精度与抗干扰能力。

背景与挑战

背景概述

在自动驾驶领域，协同感知通过车与车之间共享传感器数据，能够显著提升车辆对环境感知的准确性和鲁棒性。然而，现有数据集多聚焦于理想交通场景，缺乏对复杂恶劣条件下协同感知能力的系统评估。为此，研究者于2026年发布了CATS-V2V数据集，由李等人主导，相关论文发表于CVPR 2026。该数据集以真实世界车-车协同感知为核心，收录了多种复杂不利交通场景（如恶劣天气、遮挡、夜间等），旨在解决现有数据集在场景覆盖度和感知挑战性上的不足。CATS-V2V为协同感知算法提供了丰富的测试基准，推动了该领域从实验室环境向真实复杂场景的跨越，对提升自动驾驶安全性与可靠性具有重要影响。

当前挑战

CATS-V2V数据集所解决的领域核心挑战在于：现有协同感知方法在面对真实世界的复杂不利交通场景（如强降雨、浓雾、低光照及部分遮挡）时，感知精度与鲁棒性严重下降。这些场景导致感知系统难以准确检测和追踪目标车辆，限制了自动驾驶的安全性。在数据集构建过程中，研究者面临的挑战包括：同步采集多车在多种恶劣条件下的传感器数据，确保时空对齐精度；标注复杂环境中的密集交通目标，以及处理高动态场景下的遮挡与数据缺失问题。此外，不同天气和光照条件下的数据分布差异也对模型的泛化能力提出了严峻考验。

常用场景

经典使用场景

在自动驾驶与智能交通系统领域，基于车-车协同感知的环境理解是提升行车安全与效率的关键技术方向。CATS-V2V数据集聚焦于复杂恶劣交通场景下的真实世界车-车协同感知，提供了来自真实道路的毫米波雷达、激光雷达与多视角摄像机同步数据，覆盖夜间、雨雾、强光照、遮挡及多车交互等极端条件。该数据集最经典的使用场景是评估与训练多模态协同感知算法，尤其是在单一车辆传感器视野受阻或感知范围受限时，通过车辆间共享信息实现补盲与感知增强，从而推动协同感知系统在真实复杂环境中的鲁棒性研究。

解决学术问题

当前协同感知研究多依赖于模拟器生成或理想化场景数据，难以反映真实世界中的交通动态与传感器噪声。CATS-V2V数据集针对了这一核心瓶颈，首次系统性提供了真实复杂交通场景下的车-车协同感知数据，解决了现有数据集在恶劣天气、弱光照与遮挡环境下数据匮乏的学术难题。通过该数据集，研究者得以定量评估协同感知算法对极端场景的鲁棒性，并深入探索多传感器融合、时序对齐与通信延迟补偿等前沿问题，其影响力体现在推动了协同感知领域从理论验证向实际部署的跨越，为构建安全可靠的自动驾驶系统奠定了数据基础。

衍生相关工作

自CATS-V2V数据集发布以来，已衍生出多项具有影响力的研究流水线，包括基于异构传感器对齐的协同感知增强框架、针对恶劣天气条件下频谱感知的鲁棒性分析，以及融合通信拓扑优化的协同目标检测方法。经典工作如CoBEVT、V2X-ViT等架构在该数据集上进行了迁移与验证，显著提升了多车协同场景下的特征共享效率与检测精度。此外，该数据集也催生了多项针对数据稀缺性的半监督与自监督学习研究，以及在Co-Simulation环境下进行域适应与泛化评测的系统性工作，这些成果进一步丰富了协同感知领域的理论体系与应用生态。