DOLPHINS

DOLPHINS: 用于协作感知促进和谐互联自动驾驶的数据集

DOLPHINS: A Dataset for Collaborative Perception to Promote Harmonious and Connected Autonomous Driving

原始信息汇总

数据集概述：Dolphins

数据集名称

• Dolphins

数据集描述

• 该数据集用于协作感知驱动的和谐互联自动驾驶研究。

数据集创建者

• Ruiqing Mao
• Jingyu Guo
• Yukuan Jia
• Yuxuan Sun
• Sheng Zhou
• Zhisheng Niu

数据集发布年份

• 2022年

数据集引用格式

@misc{2207.07609, Author = {Ruiqing Mao and Jingyu Guo and Yukuan Jia and Yuxuan Sun and Sheng Zhou and Zhisheng Niu}, Title = {DOLPHINS: Dataset for Collaborative Perception enabled Harmonious and Interconnected Self-driving}, Year = {2022}, Eprint = {arXiv:2207.07609}, }

搜集汇总

数据集介绍

构建方式

DOLPHINS数据集的构建依托于CARLA仿真平台，通过模拟自动驾驶环境中的多传感器协同感知场景，生成丰富的感知数据。研究人员通过修改dolphins_generation.py脚本，自定义传感器位置和地图配置，从而生成符合KITTI格式的数据集。这一过程不仅确保了数据的多样性和真实性，还为自动驾驶领域的协同感知研究提供了高质量的基准数据。

特点

DOLPHINS数据集以其多传感器协同感知的特点脱颖而出，涵盖了激光雷达、摄像头等多种传感器的同步数据。数据集不仅提供了高精度的环境感知信息，还通过CARLA仿真平台实现了复杂交通场景的动态模拟。此外，数据以KITTI格式存储，便于与其他主流自动驾驶数据集进行对比和分析，为研究多车协同感知算法提供了重要支持。

使用方法

使用DOLPHINS数据集时，研究人员可通过修改dolphins_generation.py脚本，根据具体需求调整传感器配置和仿真场景。生成的数据可直接用于训练和测试协同感知算法，支持多模态数据融合研究。同时，数据集与CARLA 0.9.12版本兼容，用户可在仿真环境中验证算法性能，并通过KITTI格式实现与其他数据集的联合分析，为自动驾驶技术的开发提供有力支持。

背景与挑战

背景概述

DOLPHINS数据集由Ruiqing Mao等研究人员于2022年创建，旨在推动协同感知技术在自动驾驶领域的应用。该数据集由清华大学等机构的研究团队开发，核心研究问题聚焦于如何通过多传感器协同感知提升自动驾驶系统的环境理解与决策能力。DOLPHINS数据集通过模拟真实驾驶场景，结合CARLA仿真平台生成多模态数据，为研究自动驾驶中的协同感知算法提供了重要支持。其发布不仅填补了协同感知领域的数据空白，还为相关算法的验证与优化提供了高质量基准。

当前挑战

DOLPHINS数据集在解决自动驾驶协同感知问题的过程中面临多重挑战。首先，协同感知需要整合来自不同传感器的异构数据，如何高效融合这些数据并确保其一致性是一个关键难题。其次，构建过程中需模拟复杂的真实驾驶场景，这对数据生成的多样性和真实性提出了极高要求。此外，数据标注的准确性和完整性也直接影响算法的训练效果，如何在保证标注质量的同时提高效率是另一大挑战。最后，数据集的可扩展性和兼容性仍需进一步优化，以适应不断发展的自动驾驶技术需求。

常用场景

经典使用场景

DOLPHINS数据集在自动驾驶领域的协同感知研究中扮演了关键角色。该数据集通过模拟真实世界的驾驶场景，提供了多传感器数据融合的丰富信息，使得研究人员能够在复杂的交通环境中测试和优化协同感知算法。其经典使用场景包括多车协同感知、动态障碍物检测以及交通流预测等。

实际应用

在实际应用中，DOLPHINS数据集被广泛应用于自动驾驶系统的开发和测试。通过模拟真实世界的驾驶场景，该数据集为自动驾驶车辆的感知系统提供了丰富的训练数据，帮助车辆在复杂的交通环境中实现更精准的感知和决策。此外，该数据集还被用于智能交通系统的研究，优化交通流管理和减少交通事故。

衍生相关工作

DOLPHINS数据集衍生了一系列经典研究工作，特别是在协同感知和多传感器数据融合领域。基于该数据集的研究成果包括多车协同感知算法、动态障碍物检测模型以及交通流预测系统等。这些工作不仅推动了自动驾驶技术的发展，还为智能交通系统的优化提供了理论支持和实践验证。