SCOPE

SCOPE数据集是由图宾根大学等机构创建的合成多模态数据集，专门用于集体感知研究。该数据集包含17,600帧，涵盖超过40种不同场景，包括复杂的天气条件和多种道路使用者。数据集通过使用真实的相机和LiDAR模型以及物理上准确的天气模拟来增强其真实性。创建过程中，数据集结合了CARLA模拟器和改进的LiDAR传感器模型，以确保数据的多样性和真实性。SCOPE数据集主要应用于自动驾驶领域，旨在解决感知范围受限和环境条件影响的问题，提高自动驾驶车辆的安全性和性能。The SCOPE dataset is a synthetic multimodal dataset created by the University of Tübingen and other institutions, specifically dedicated to collective perception research. This dataset contains 17,600 frames, covering more than 40 distinct scenarios including complex weather conditions and various road users. It enhances its realism by utilizing realistic camera and LiDAR models as well as physically accurate weather simulations. During its development, the dataset integrates the CARLA simulator and an improved LiDAR sensor model to ensure data diversity and realism. The SCOPE dataset is primarily applied in the autonomous driving domain, aiming to address issues such as limited perception range and the impact of environmental conditions, thereby improving the safety and performance of autonomous vehicles.

搜集汇总

数据集介绍

构建方式

SCOPE数据集的构建方式采用了先进的合成技术，通过模拟真实的交通环境和传感器模型，确保了数据集的准确性和多样性。在构建过程中，使用了CARLA模拟环境，结合SUMO交通模拟器，实现了对车辆和行人的精确控制，并生成了时间对齐的传感器数据。此外，数据集还包含了两个全新的数字孪生地图，分别为德国卡尔斯鲁厄和蒂宾根，这些地图通过OpenStreetMap和RoadRunner进行适配，并通过Schulz等人的快速建模方法生成了静态网格建筑。为了模拟真实的天气条件，数据集采用了RESIST框架进行天气模拟，并应用了Teufel等人开发的LiDAR点云天气模拟框架。

特点

SCOPE数据集的特点在于其全面性和多样性。它包含了超过40个不同的场景，包括边缘情况如隧道和环岛，以及各种道路使用者，如自行车和行人。数据集还包含了真实的多模态传感器模型，包括RGB相机、语义分割相机和三种不同的LiDAR传感器。此外，SCOPE数据集是第一个包含物理准确的和参数化的天气模拟的数据集，为相机和LiDAR数据提供了三种不同强度的雨和雾模拟。这些特点使得SCOPE数据集在集体感知算法的训练和测试中具有很高的实用价值。

使用方法

SCOPE数据集的使用方法非常灵活。它提供了一个全面的工具包，包括Python包、数据下载功能、数据可视化工具和用于对象检测和语义分割的PyTorch数据集类。用户可以通过这些工具轻松地下载、查看和处理数据。此外，数据集还提供了一个基准测试，包括2D和3D对象检测以及语义分割。这些基准测试使用70:10:20的分割比例，为训练、验证和测试提供了足够的数据。用户可以使用这些基准测试来评估他们的算法的性能。

背景与挑战

背景概述

SCOPE数据集是一个为集体感知研究而设计的合成多模态数据集，由J¨org Gamerdinger等研究人员在2024年提出。该数据集旨在解决自动驾驶中车辆本地感知受限于感知范围和遮挡的问题。SCOPE数据集包含了超过40种不同场景的17,600帧数据，包括连接的自动化车辆、路边单元和被动交通参与者，如自行车和行人。该数据集还包括来自德国卡尔斯鲁厄和图宾根的两个新数字孪生地图，以获得更多样化的数据。SCOPE数据集是第一个包含真实LiDAR传感器模型和固态LiDAR的合成多模态集体感知数据集，也是第一个包含物理准确和参数化天气模拟的数据集。此外，SCOPE数据集是第一个包含行人和两轮车辆的合成集体感知数据集。

当前挑战

SCOPE数据集面临的挑战包括：1) 构建一个包含不同环境条件、广泛的场景和现实传感器模型的数据集，以训练和测试集体感知算法；2) 实现物理准确的天气模拟，包括雨、雪和雾，以及不同时间段的照明条件，以提高物体检测对环境影响的鲁棒性；3) 提供一个包含不同类型LiDAR传感器的数据集，以研究域适应问题；4) 扩展数据集以包括雪等更多常见天气条件；5) 使用不同的最先进的相机和LiDAR基于物体检测器以及语义分割方法进行广泛的评估，以创建一个全面的基准。

常用场景

经典使用场景

SCOPE数据集在集体感知领域具有重要的应用价值。该数据集包含了多种多样的场景，包括城市、郊区、乡村、高速公路、隧道和环岛等，覆盖了自动驾驶中可能遇到的各种环境。这使得SCOPE数据集成为开发和测试新型集体感知技术的理想选择。此外，SCOPE数据集还包含了多种传感器数据，如RGB相机、语义分割相机和激光雷达，这为研究不同传感器之间的数据融合提供了便利。

衍生相关工作

SCOPE数据集的发布对集体感知领域的研究产生了重要影响。首先，SCOPE数据集提供了新的研究方向，如真实激光雷达传感器模型和物理准确的天气模拟。其次，SCOPE数据集的发布促进了现有数据集的改进，如增加易受伤害的道路用户和新的地图。此外，SCOPE数据集的发布还促进了集体感知算法的研究，如基于激光雷达和相机的物体检测和语义分割。最后，SCOPE数据集的发布还促进了集体感知在实际应用中的研究，如自动驾驶系统的开发和测试。

数据集最近研究

最新研究方向

SCOPE数据集作为首个合成多模态集体感知数据集，融合了真实相机和激光雷达模型，并包含了参数化和物理准确的天气模拟。该数据集的发布对自动驾驶领域具有重要意义，它不仅提供了多样化的场景和道路使用者，还考虑了环境因素对感知能力的影响。SCOPE数据集的发布填补了现有数据集在场景多样性、传感器模型真实性、环境条件模拟和脆弱道路使用者方面的空白。此外，SCOPE数据集还提供了两个新的数字孪生地图，进一步增强了数据集的多样性。随着自动驾驶技术的不断发展，SCOPE数据集将成为集体感知技术研究和测试的重要资源，推动该领域的前沿研究。

相关研究论文

• SCOPE: A Synthetic Multi-Modal Dataset for Collective Perception Including Physical-Correct Weather Conditions

  图宾根大学，科学学院，计算机科学系，嵌入式系统小组 · 2024年