RELLIS-OCC

RELLIS-OCC数据集是由深圳汽车研究院和北京理工大学联合创建的，专门用于训练和评估自动驾驶车辆在复杂越野环境中的可通行性。该数据集包含6235条3D可通行占用标注，涵盖了地形的高度、坡度和不均匀性等几何特征。数据集通过综合分析车辆穿越障碍物的条件和车辆结构约束，生成了四种可通行性成本标签：致命、中等成本、低成本和免费。RELLIS-OCC数据集的创建旨在解决越野环境中自动驾驶车辆的可通行性估计问题，特别是在面对不规则几何形状和部分遮挡的障碍物时。

The RELLIS-OCC dataset was jointly created by the Shenzhen Automotive Research Institute and Beijing Institute of Technology, specifically designed for training and evaluating the traversability of autonomous vehicles in complex off-road environments. This dataset contains 6235 3D traversability occupancy annotations, covering geometric features such as terrain height, slope, and unevenness. By comprehensively analyzing the conditions for vehicles to traverse obstacles and vehicle structural constraints, the dataset generates four traversability cost labels: fatal, medium cost, low cost, and free. The creation of the RELLIS-OCC dataset aims to address the traversability estimation problem of autonomous vehicles in off-road environments, especially when encountering obstacles with irregular geometries and partial occlusions.

AI搜集汇总

数据集介绍

构建方式

RELLIS-OCC数据集基于RELLIS-3D数据集构建，包含五个序列共计11,201帧数据。该数据集通过结合LiDAR点云和单目图像，生成密集的3D可通行占用预测。数据集的构建过程中，首先将多帧LiDAR点云序列转换为统一的坐标系，并将其体素化，生成密集的占用标签。此外，通过分析车辆的几何特征，如台阶高度、坡度和不平整度，生成详细的可通行性成本标签，包括致命、中等成本、低成本和自由四个类别。

使用方法

RELLIS-OCC数据集可用于训练和评估3D可通行性预测模型，特别是在非结构化道路环境中。研究者可以通过该数据集训练深度学习模型，结合LiDAR点云和单目图像，生成密集的3D占用预测。数据集中的可通行性成本标签可用于评估模型在不同地形条件下的表现，帮助优化自动驾驶车辆的导航策略。此外，该数据集还可用于开发和验证多模态感知融合算法，提升复杂环境中的感知能力。

背景与挑战

背景概述

RELLIS-OCC数据集是由Zitong Chen等人于2021年提出的，旨在解决非结构化越野环境中的自动驾驶车辆面临的挑战。该数据集通过结合LiDAR点云和单目图像，提供了密集的可通行占据预测，并引入了几何特征如台阶高度、坡度和不平整度等，以评估地形与车辆动态之间的关系。RELLIS-OCC数据集的创建填补了3D可通行占据标注在越野环境中的空白，为复杂地形中的自动驾驶提供了重要的数据支持。该数据集的发布不仅推动了多模态感知融合技术的发展，还为自动驾驶车辆在复杂环境中的安全导航提供了新的解决方案。

当前挑战

RELLIS-OCC数据集在构建过程中面临了多个挑战。首先，非结构化越野环境中的复杂障碍物（如不规则地形、植被遮挡等）使得传统的感知算法难以准确识别可通行区域。其次，数据集的构建需要结合LiDAR和单目图像的多模态数据，如何有效融合这些数据以提高环境特征提取的精度是一个技术难点。此外，数据集的标注工作涉及复杂的3D可通行占据标注，如何确保标注的准确性和一致性也是一个挑战。最后，如何在不同车辆平台上实现算法的可扩展性和适应性，以应对不同传感器配置和车辆动态特性，也是该数据集面临的一个重要问题。

常用场景

经典使用场景

RELLIS-OCC数据集的经典使用场景主要集中在非结构化越野环境中的3D可通行性估计。该数据集通过结合LiDAR点云和单目图像，提供了密集的可通行占用预测，特别适用于自动驾驶车辆在复杂地形中的导航。通过多模态数据的融合，RELLIS-OCC能够有效提取环境特征，帮助车辆识别可通行的区域，尤其是在存在不规则几何形状和部分遮挡的场景中。

解决学术问题

RELLIS-OCC数据集解决了非结构化环境中自动驾驶车辆面临的常见学术问题，特别是在复杂地形中的可通行性估计。传统感知算法在处理非结构化环境时往往表现不佳，而RELLIS-OCC通过引入3D可通行占用标注，结合几何特征如台阶高度、坡度和不平整度，为车辆提供了精确的可通行性评估。这不仅提升了自动驾驶车辆在复杂环境中的安全性，还为相关研究提供了高质量的数据支持。

实际应用

RELLIS-OCC数据集在实际应用中具有广泛的潜力，特别是在越野环境中的自动驾驶车辆导航。通过该数据集，车辆能够在复杂地形中识别可通行的区域，避免障碍物并规划安全路径。例如，在农业、采矿和军事等领域，自动驾驶车辆需要在非结构化环境中进行高效导航，RELLIS-OCC数据集为这些应用场景提供了重要的技术支持，显著提升了车辆的自主导航能力。

数据集最近研究

最新研究方向

近年来，RELLIS-OCC数据集在无人驾驶领域的研究中备受关注，尤其是在非结构化道路环境下的可通行性估计方面。该数据集通过结合LiDAR点云与单目图像，提供了丰富的3D可通行性占用标注，涵盖了地形高度、坡度、不平整度等几何特征，为复杂地形中的车辆导航提供了精确的决策依据。研究者们提出了一种名为ORDformer的多模态方法，通过融合LiDAR的几何精度和相机提供的语义信息，显著提升了在复杂地形中的可通行区域识别能力，尤其是在处理不规则几何形状和部分遮挡障碍物时表现尤为突出。此外，ORDformer在场景完成度（IoU）指标上取得了超过20%的提升，展示了其在实际应用中的巨大潜力。未来，该数据集的研究将进一步与3D路径规划算法结合，以提升自动驾驶系统在复杂环境中的适应性和实用性。

相关研究论文

• Semantic Scene Completion Based 3D Traversability Estimation for Off-Road Terrains

  广东重点领域研发计划 · 2024年