DADE

DADE数据集（Driving Agents in Dynamic Environments）是一个面向自动驾驶代理在动态环境中进行语义分割任务训练和评估的合成数据集。该数据集使用CARLA模拟器生成，包含静态天气条件和动态天气条件两个子集，共计990k帧图像。每个子集的序列由一个代理在5小时时间框架内获取，包含RGB图像、语义分割地面真实值、GNSS位置数据和天气信息。

原始信息汇总

DADE数据集概述

数据集基本信息

• 名称: Driving Agents in Dynamic Environments (DADE)
• 许可证: CC-BY-4.0
• 标签: segmentation, driving, images, videos, weather, GNSS, CARLA

数据集描述

DADE是一个合成数据集，专为自动驾驶代理在动态环境和天气条件下的语义分割任务训练和评估而设计。数据集使用CARLA模拟器（版本0.9.14）生成，确保传感器同步和校准的精确性，并提供精确的语义分割地面真实值。

数据集子集

子集1: 静态天气条件（晴朗白天）

• 视频序列数量: 100
• 序列长度: 271至7200帧不等
• 平均序列长度: 45分钟
• 总帧数: 270,527
• 总时长: 超过75小时
• 天气条件: 晴朗白天

子集2: 动态天气条件

• 视频序列数量: 300
• 序列长度: 188至7200帧不等
• 平均序列长度: 40分钟
• 总帧数: 719,742
• 总时长: 200小时
• 天气条件: 动态变化，每10分钟在晴朗、雨天和雾天之间过渡，包括约2小时的夜间条件和3小时的白天条件。

数据集内容

• RGB图像
• 语义分割地面真实值
• GNSS位置数据
• 天气信息

数据详情

• 帧率: 1帧/秒 (1 fps)
• 图像分辨率: 720p (1280x720像素)

数据结构

DADE/ ├── static_weather │ ├── sequence/ │ │ ├── semantic_masks/ │ │ ├── semantic_masks_npz/ │ │ ├── semantic_masks_carla/ │ │ ├── sequence.mp4 │ │ ├── sequence.json │ │ └── gnss.json ├── dynamic_weather │ ├── sequence/ │ │ ├── semantic_masks/ │ │ ├── semantic_masks_npz/ │ │ ├── semantic_masks_carla/ │ │ ├── sequence.mp4 │ │ ├── sequence.json │ │ ├── gnss.json │ │ └── weather.json ├── Town12.png └── ReadMe.md

类标签定义

ID	名称	RGB颜色
0	unlabeled	(0,0,0)
1	static	(0,0,0)
2	dynamic	(111,74,0)
...	...	...

区域标识

区域标识	区域名称	HEX	RGB
0	Forest	555b19	(85,91,25)
1	Countryside	6fa31b	(111,163,27)
...	...	...	...

数据集来源

• 代码仓库: https://github.com/ULiege-driving/DADE/
• 论文: https://openaccess.thecvf.com/content/CVPR2024W/WAD/papers/Gerin_Multi-Stream_Cellular_Test-Time_Adaptation_of_Real-Time_Models_Evolving_in_Dynamic_CVPRW_2024_paper.pdf

引用

bibtex @data{Halin2023DADE, author = {Halin, Ana"is and Gerin, Beno^it and Cioppa, Anthony and Henry, Maxim and Ghanem, Bernard and Macq, Beno^it and De Vleeschouwer, Christophe and Van Droogenbroeck, Marc}, publisher = {ULi`ege Open Data Repository}, title = {{DADE dataset}}, year = {2023}, version = {V1}, doi = {10.58119/ULG/H5SP5P}, url = {https://doi.org/10.58119/ULG/H5SP5P} }

搜集汇总

数据集介绍

构建方式

DADE数据集作为自动驾驶领域的重要资源，其构建过程充分体现了合成数据的精确性与可控性优势。研究团队采用CARLA仿真平台（版本0.9.14）在Town12地图中模拟了复杂动态驾驶场景，通过精心设计的实验框架生成了990k帧同步多模态数据。数据采集过程中，单个智能体在5小时时间窗口内连续运行，覆盖森林、乡村、高速公路等七类典型场景，并严格保证传感器同步校准与语义分割真值的精确性。数据组织采用二分法架构，包含100段静态天气序列与300段动态天气序列，后者通过每10分钟循环切换晴雨雾天气状态，辅以10秒平滑过渡机制，完整模拟了昼夜交替的自然光照变化。

特点

该数据集的核心价值在于其多维度的场景表征能力。720p高清视频流以1fps帧率捕捉驾驶视角，配套提供RGB图像、语义分割真值（含CARLA原始版本和适配Cityscapes的简化版本）、GNSS定位数据及气象参数。动态天气子集特别设计了渐进式天气转换模型，包含云量、雾浓度等13项气象参数的连续记录。语义标注体系经过优化整合，保留24类与真实场景高度对应的物体类别，同时采用分层存储结构（PNG/NPZ双格式）确保数据使用的灵活性。时空维度上，75小时静态天气与200小时动态天气视频构成互补关系，为模型在稳定与突变环境下的泛化能力评估提供了理想基准。

使用方法

研究者可通过标准化的文件树结构快速定位所需数据，其中JSON文件封装了时间戳、GNSS坐标及动态气象参数等元数据。语义掩膜提供三种版本：CARLA原始数据适用于仿真环境研究，而重映射版本则优化了与Cityscapes的兼容性。配套提供的数据加载器（见于MSC-TTA代码库）支持帧序列的流式处理，GNSS与气象参数的时序对齐便于多模态联合分析。评估时建议分别测试模型在静态子集的稳定性与动态子集的适应能力，特别关注夜间、雨雾等极端条件下的性能衰减。数据分区标注系统（Town12.png）支持基于地理位置的场景特异性分析，为自动驾驶系统的区域适应性研究提供空间维度参考框架。

背景与挑战

背景概述

DADE数据集（Driving Agents in Dynamic Environments）是专为自动驾驶领域设计的合成数据集，旨在为动态环境和多变天气条件下的语义分割任务提供训练与评估基准。该数据集由比利时列日大学（ULiège）的研究团队于2023年发布，基于CARLA仿真平台（版本0.9.14）构建，充分利用了虚拟环境在传感器同步和语义标注方面的先天优势。数据集包含两个子集：静态天气条件下的清晰日间场景和动态变化的天气场景，总计990,000帧高清图像，覆盖森林、乡村、高速公路等多种驾驶场景。这一资源的推出显著推进了自动驾驶系统在复杂环境下的适应性研究，为计算机视觉与智能交通系统的交叉研究提供了重要基础设施。

当前挑战

DADE数据集面临的核心挑战体现在两个方面：领域问题层面，动态天气条件下的语义分割存在光照突变、能见度波动等干扰因素，要求模型具备更强的鲁棒性和实时适应能力；数据构建层面，虽然合成数据规避了真实数据采集的高成本，但需解决虚拟到现实（sim-to-real）的域适应问题，包括CARLA渲染引擎与真实场景的物理差异、天气过渡的自然性模拟等关键技术难点。此外，数据集为平衡计算效率与信息密度，采用1fps的采样率和720p分辨率，这对模型处理时序信息的能力提出了特殊约束。

常用场景

经典使用场景

DADE数据集在自动驾驶领域具有重要价值，其经典使用场景主要集中在语义分割模型的训练与评估。通过CARLA模拟器生成的合成数据，研究人员能够利用高质量的RGB图像和精确的语义分割标注，构建和优化自动驾驶系统在动态环境中的感知能力。特别是在不同天气条件下的数据子集，为模型在复杂环境中的鲁棒性测试提供了丰富素材。

实际应用

在实际应用中，DADE数据集被广泛用于自动驾驶系统的开发与测试环节。汽车制造商和科技公司利用其丰富的场景数据，验证感知算法在乡村、高速公路、住宅区等不同地理环境下的表现。动态天气子集特别有助于提升系统在雨雾等恶劣天气条件下的可靠性，这对保障自动驾驶汽车的安全部署至关重要。

衍生相关工作

基于DADE数据集已衍生出多项创新研究，最典型的是MSC-TTA（多流细胞测试时适应）框架。该工作提出了一种实时模型在动态环境中自适应的新范式，通过利用DADE的多模态数据流，实现了模型在不稳定环境下的持续优化。相关成果发表在CVPR等顶级会议，推动了领域内对在线适应方法的研究热潮。