DDAD (Dense Depth for Autonomous Driving)

DDAD 是来自 TRI（丰田研究所）的新自动驾驶基准，用于在具有挑战性和多样化的城市条件下进行长距离（高达 250m）和密集深度估计。它包含由安装在跨大陆环境中运行的自动驾驶汽车车队上的高密度激光雷达生成的单目视频和准确的地面实况深度（跨越完整的 360 度视野）。 DDAD 包含来自美国（旧金山、湾区、剑桥、底特律、安娜堡）和日本（东京、台场）的城市场景。

DDAD is a novel autonomous driving benchmark from TRI (Toyota Research Institute), designed for long-range (up to 250m) and dense depth estimation under challenging and diverse urban conditions. It contains monocular videos and accurate ground-truth depth data (covering a full 360-degree field of view) generated by high-density LiDAR mounted on a fleet of autonomous vehicles operating in transcontinental environments. DDAD includes urban scenarios collected from the United States (San Francisco, Bay Area, Cambridge, Detroit, Ann Arbor) and Japan (Tokyo, Odaiba).

搜集汇总

背景与挑战

背景概述

DDAD是丰田研究所发布的自动驾驶密集深度估计基准数据集，专注于长距离（高达250米）和密集深度估计，适用于具有挑战性的城市场景。该数据集包含由高密度激光雷达生成的单目视频和准确的地面实况深度，覆盖360度视野，数据来自美国和日本的多个城市，如旧金山、东京等。数据集规模为269.0GB，包含20.4k个条目，旨在支持自动驾驶领域的深度感知研究。