RAIL-BENCH

RAIL-BENCH是由卡尔斯鲁厄理工学院等机构联合开发的铁路环境感知基准套件，包含轨道检测、目标检测等5项核心任务。该数据集整合了OSDaR23/26等多源数据，精选2,500帧真实场景图像，涵盖复杂站台、道岔等典型铁路场景。通过半自动标注流程生成高质量多边形轨道标注和边界框标注，特别针对密集人群场景优化了跟踪标识。该基准旨在解决自动驾驶列车在开放线路中的感知难题，为轨道侵入检测、信号识别等安全关键任务提供评估标准。RAIL-BENCH is a railway environment perception benchmark suite jointly developed by the Karlsruhe Institute of Technology and other institutions, which includes five core tasks such as track detection and object detection. This dataset integrates multi-source data including OSDaR23/26, and selects 2,500 frames of real-world scene images covering typical railway scenarios such as complex platforms and railway switches. High-quality polygonal track annotations and bounding box annotations are generated via a semi-automatic annotation pipeline, with tracking identifiers specially optimized for dense crowd scenarios. This benchmark aims to address the perception challenges faced by autonomous trains on open lines, and provides evaluation criteria for safety-critical tasks such as track intrusion detection and signal recognition.

原始信息汇总

数据集概述：RAIL-BENCH

RAIL-BENCH 是全球首个面向铁路领域的环境感知基准测试套件，旨在解决铁路领域缺乏标准化公开评估协议的问题，为基于摄像头的列车自动化运行提供可靠的感知方法比较平台。该套件包含精心筛选的真实世界训练和测试数据集、标准化评估指标以及公开排行榜。

五项基准挑战

• RAIL-BENCH Rail（轨道检测）
  任务：识别以左右轨多段线（polyline）形式建模的铁路轨道。
  评估指标：采用 ChamferAP 和新提出的 LineAP（基于线段平均精度）评估预测的几何准确性，独立于实例层级分组。

• RAIL-BENCH Object（目标检测）
  任务：检测七类目标（火车、信号灯、信号柱、接触网柱、公路车辆、自行车、行人），以边界框和类别标签表示。

• RAIL-BENCH Vegetation（植被分割）
  任务：像素级识别轨道区域及周边的植被，重点关注侵入铁路结构限界的植被（如低矮的草/草本植物，或高大的树木/灌木）。

• RAIL-BENCH Tracking（多目标跟踪）
  任务：在短时视频序列中准确关联行人检测结果，特别应对站台人群中的多目标跟踪挑战。

• RAIL-BENCH Odometry（单目视觉里程计）
  任务：从单目视频序列估计相机自身的运动。虽然火车运动受轨道约束，但打滑和道岔处未知的分支方向构成了难点。

数据使用规范

• 用途限制：仅限科研及非商业用途。
• 引用要求：使用数据集时需正式引用相关论文（Bätz 等，2026，提交至 IEEE/RSJ IROS）。
• 禁止事项：未经许可不得重新分发或商业化。

联系方式

• 负责人：Annika Bätz（卡尔斯鲁厄理工学院（KIT）测量与控制系统研究所）
• 邮箱：[e-mail]

搜集汇总

数据集介绍

构建方式

RAIL-BENCH是首个面向铁路领域环境感知的基准测试套件，其构建源于对多元化真实世界场景的精心采集。数据来源于OSDaR23与OSDaR26等公开多传感器数据集及授权YouTube视频素材。针对不同任务，采用针对性策略：RAIL-BENCH Object+Rail与Vegetation数据集通过人工选取视频帧以最大化场景多样性，分别获得2500帧和740帧图像；Tracking数据集从额外材料中筛选出四段高帧率序列，聚焦站台人群场景；Odometry数据集则基于OSDaR26补充数据，剔除物理轨迹不合理与低速片段后保留50个日间场景。注释工作借助CVAT工具完成，对轨道的左右轨头以折线标注，对物体检测任务采用轴对齐边界框并标注遮挡等级与人群标志，植被掩膜则经由SegFormer初标注后人工精修，最终形成涵盖五大感知挑战的训练与测试集。

特点

该数据集具有鲜明的领域特异性与结构多样性。RAIL-BENCH覆盖火车站、市区、市郊、高速、乡村及模拟场景，囊括轨道检测、物体检测、植被分割、多目标跟踪与单目视觉里程计五大任务，全面响应铁路自动化运行的核心感知需求。其独特之处在于引入创新性LineAP评估指标，通过将预测折线与真值线切分为固定长度片段并联合距离与朝向阈值进行匹配，解决了现有指标对部分检测及过度检测处理不足的局限。此外，数据集对不同物体类别细致标注遮挡与人群标记，对铁路轨道定义明确的忽略区域，并基于线路拓扑提供详细的统计分布，如轨枕与接触网杆占据约26000个实例，人员类别在密集站台场景中挑战尤为突出，从而为精细化模型评估提供坚实基础。

使用方法

RAIL-BENCH为每个挑战提供了标准化的训练、验证和测试划分。Object+Rail数据集按1500/500/500张分割，Vegetation为520/110/110张，Odometry为30/20序列，而Tracking因体量较小仅用于评估。研究者可基于数据集的公开排行榜提交预测结果，系统自动计算并排名。在物体检测中采用基于COCO的mAP指标，并按边界框尺寸与遮挡程度划分简单、中等、困难三个难度级别；轨道检测综合使用ChamferAP与LineAP，前者评估全局几何精度，后者通过片段匹配解析局部定位与实例分组的差异性表现。植被分割使用Jaccard指数，跟踪任务采用HOTA指标，视觉里程计则通过Umeyama对齐后计算绝对与相对位姿误差。这种多维度评估体系使得研究者能够针对性地分析模型在铁路场景中的优势与不足。

背景与挑战

背景概述

RAIL-BENCH诞生于轨道交通自动化浪潮与感知领域基准缺失的交叉地带。2026年，由卡尔斯鲁厄理工学院、德国铁路研究中心及DB InfraGO AG联合构建，旨在填补铁路环境感知缺乏标准化评测体系的空白。该数据集聚焦列车自动驾驶中五大核心视觉任务——轨道检测、目标识别、植被分割、多目标跟踪及单目视觉里程计，每项任务均针对铁路特有的结构布局与运行约束设计。作为首个系统性铁路感知基准，RAIL-BENCH通过提供多样化真实场景数据与统一评估协议，将推动该领域的研究从碎片化走向可复现可比较，其影响力正随着自动化列车运营需求的激增而持续扩大。

当前挑战

铁路感知面临的核心挑战在于：不同于公路场景有成熟数据集支撑，现有铁路数据集规模有限、标注稀疏且缺乏统一评测标准，使得方法对比沦为孤立实验。构建过程中，团队需克服多源数据异构性——从YouTube视频到多传感器平台OSDaR，数据来源差异要求精细筛选以确保场景多样性；同时标注工作尤为繁重，轨道需以多段线精确描绘至道岔尖端，密集人群需权衡实例标注与群体标记的边界，植被分割则需人工修正预训练模型的粗标注结果。此外，为应对轨道检测中局部精度与实例完整性的矛盾，团队首创LineAP指标，通过分段匹配机制分离几何定位与线分组评价，这一设计本身即是对传统线检测度量的深刻挑战。

常用场景

经典使用场景

RAIL-BENCH作为铁路领域首个综合性环境感知基准套件，其最经典的使用场景聚焦于为自动化列车运行提供标准化的感知能力评估平台。涵盖轨道检测、目标检测、植被分割、多目标跟踪及单目视觉里程计五大挑战，每一任务均精准契合铁路环境的独特结构特征，如轨道与道岔的几何布局、铁路专用目标类别及狭小侧向净空约束。研究者可利用该基准套件中的训练与测试数据集，在统一评估指标下系统性地开发、验证与对比各类感知模型，从而推动铁路自动驾驶感知技术的可重复研究与公正评测。

衍生相关工作

RAIL-BENCH的发布催生了多个方向的衍生研究工作，包括针对铁路轨道线检测的YOLinO与PINet等经典网络结构在该基准上的系统性微调与性能剖析，验证了领域微调对克服域偏移的重要价值。同时，基于RAIL-BENCH Vegetation子集，研究者得以深入探讨语义分割模型在植被种类区分及异常绿色植被识别中的泛化能力。此外，该基准中LineAP指标的引入启发了面向车道线检测、地图感知等结构化环境的线状预测评估方法革新，推动了跨领域评估技术的融合发展。

数据集最近研究

最新研究方向

随着铁路自动化运营对鲁棒感知系统的需求日益迫切，RAIL-BENCH作为首个专为铁路领域设计的感知基准套件，正引领前沿研究方向。当前热点聚焦于多任务统一评估框架的构建，尤其关注轨线检测中几何精确性度量——即LineAP指标的创新应用，该指标通过片段级匹配与联合距离-方向阈值，有效克服了传统线检测指标对局部检测和过度检测的局限。此外，结合植被分割、多目标跟踪及单目视觉里程计等挑战，该基准推动了铁路场景下领域迁移与基础模型适配的探索。其影响力体现在为自动化列车感知提供了标准化、可复现的评估平台，显著降低了研究门槛，并有望拓展至车道线检测等通用线状目标感知任务中。

相关研究论文

• Railway Artificial Intelligence Learning Benchmark (RAIL-BENCH): A Benchmark Suite for Perception in the Railway Domain

  卡尔斯鲁厄理工学院; 德国铁路研究中心; DB InfraGO AG · 2026年