Canadian Adverse Driving Conditions (CADC) dataset

加拿大恶劣驾驶条件数据集（CADC）是由滑铁卢大学和多伦多大学的研究团队创建的，专注于冬季恶劣驾驶条件下的自动驾驶数据集。该数据集包含7000帧数据，通过8个Ximea MQ013CG-E2相机、VLP-32C Lidar和Novatel OEM638 GNSS+INS系统收集。数据集的创建旨在推动自动驾驶车辆在恶劣天气条件下的感知、定位和映射技术的发展。数据集内容丰富，包括多种冬季天气条件下的感知挑战，适用于自动驾驶领域的研究，特别是在解决雪天驾驶中的感知和导航问题。

The Canadian Adverse Driving Conditions Dataset (CADC) was developed by research teams from the University of Waterloo and the University of Toronto, focusing on autonomous driving datasets under harsh winter driving conditions. This dataset contains 7,000 frames of data, collected via 8 Ximea MQ013CG-E2 cameras, a VLP-32C Lidar, and a Novatel OEM638 GNSS+INS system. The dataset is intended to advance the development of perception, localization, and mapping technologies for autonomous vehicles operating under severe weather conditions. It features rich content, including perception challenges across various winter weather scenarios, and is applicable to autonomous driving-related research, especially for solving perception and navigation problems in snowy driving conditions.

搜集汇总

数据集介绍

构建方式

Canadian Adverse Driving Conditions (CADC)数据集是利用Autonomoose自动驾驶平台在加拿大滑铁卢地区冬季收集的。该数据集专注于恶劣驾驶条件，特别是冬季天气条件下的自动驾驶。数据集包括通过8个相机（Ximea MQ013CG-E2）、激光雷达（VLP-32C）和GNSS+INS系统（Novatel OEM638）收集的7,000帧数据。传感器通过内在和外在校准进行时间同步和校准，并包含在数据集中。激光雷达帧注释代表3D对象检测和跟踪的地面真实情况，由Scale提供。

特点

CADC数据集具有以下特点：首先，它是首个专注于恶劣驾驶条件下的自动驾驶数据集，特别是冬季天气条件。其次，数据集包含75个驾驶序列和超过20公里的驾驶距离，覆盖了不同水平的交通和降雪量。此外，数据集还包含由8个相机、激光雷达和GNSS+INS系统收集的广泛感知挑战，这些数据是在2018年3月和2019年2月的3天内收集的。最后，数据集提供了激光雷达帧注释，用于3D对象检测和跟踪。

使用方法

CADC数据集的使用方法包括以下步骤：首先，下载并解压缩数据集。然后，使用提供的校准文件对传感器数据进行校准。接下来，使用数据集中的原始数据进行研究，例如对象检测、定位和映射等。最后，使用数据集中的标注数据对算法进行评估和比较。此外，数据集还提供了Python开发工具包，用于查看车辆路径、激光雷达投影到图像上以及3D标注投影到图像上。

背景与挑战

背景概述

在自动驾驶技术迅猛发展的今天，恶劣的驾驶条件仍然是一个极具挑战性的问题。特别是在冬季，降雪、雨雾等恶劣天气会严重干扰传感器性能，导致感知任务变得异常困难。为了推动自动驾驶技术在恶劣天气条件下的研究，加拿大滑铁卢大学的研究团队联合多伦多大学的研究人员，基于Autonomoose自动驾驶平台，收集了Canadian Adverse Driving Conditions (CADC)数据集。该数据集是在加拿大滑铁卢地区冬季收集的，是目前首个专门针对恶劣驾驶条件的自动驾驶车辆数据集。CADC数据集包含7,000帧通过8个相机（Ximea MQ013CG-E2）、激光雷达（VLP-32C）和GNSS+INS系统（Novatel OEM638）收集的标注数据。这些传感器已进行时间同步和校准，并在数据集中包含了内参和外参校准信息。此外，还提供了代表地面真实情况的激光雷达帧标注，用于3D物体检测和跟踪。

当前挑战

CADC数据集的研究背景主要集中在恶劣驾驶条件下自动驾驶技术的挑战。首先，恶劣天气条件（如降雪）会降低传感器性能，使周围环境模糊不清，从而增加感知任务的难度。其次，现有的定位和地图构建、物体检测、语义分割、跟踪和预测等方法在恶劣天气下都会受到影响。此外，CADC数据集的构建过程中也面临一些挑战，例如：1）如何保证传感器数据的时间同步和校准精度；2）如何有效地标注激光雷达点云数据，以提供准确的3D物体检测和跟踪信息；3）如何处理降雪对激光雷达点云数据的影响，以提高数据质量。

常用场景

经典使用场景

在自动驾驶领域，恶劣天气条件下的感知任务一直是研究的重点和难点。加拿大恶劣驾驶条件（CADC）数据集，作为一个专注于冬季恶劣驾驶条件的自动驾驶数据集，为研究人员提供了宝贵的资源。该数据集包含7,000帧图像，涵盖了从轻微到极端的降雪情况，以及来自8个相机、激光雷达和GNSS+INS系统的数据。这些数据的时间同步和校准信息都被包含在数据集中，为研究自动驾驶车辆的感知、定位和建图等任务提供了基础。此外，CADC数据集还提供了激光雷达帧标注，为3D目标检测和跟踪提供了地面实况数据，为自动驾驶研究提供了有力的支持。

实际应用

CADC数据集的实际应用场景包括自动驾驶车辆的感知、定位和建图等。通过使用CADC数据集，研究人员可以测试和改进自动驾驶车辆在恶劣天气条件下的感知能力，提高自动驾驶车辆的安全性。此外，CADC数据集还可以用于开发恶劣天气条件下的自动驾驶算法，为自动驾驶车辆的推广和应用提供技术支持。

衍生相关工作

CADC数据集的发布促进了自动驾驶领域在恶劣天气条件下的研究。基于CADC数据集，研究人员可以进行3D目标检测、跟踪和预测等任务的研究，提高自动驾驶车辆在恶劣天气条件下的感知能力。此外，CADC数据集还可以用于开发恶劣天气条件下的自动驾驶算法，为自动驾驶车辆的推广和应用提供技术支持。