WarNav

WarNav是由萨弗兰电子与防务公司与巴黎-萨克雷大学联合创建的军事领域专用数据集，专注于冲突环境中自动驾驶车辆可通行区域的语义分割研究。该数据集包含5554张精选图像，源自乌克兰战场的DATTALION开源多媒体库，涵盖城市废墟、野外战区等多场景视觉数据。其构建过程采用严格的伦理审查与多级过滤机制，通过人工标注划分道路、可通行区、行人等六类语义标签。该资源旨在突破传统城市驾驶数据集的局限，为高危场景下的无人系统导航提供鲁棒性测试基准，推动军事自动驾驶在复杂战场环境中的安全应用。

WarNav is a military-specific dataset jointly developed by Safran Electronics & Defense and Paris-Saclay University, focusing on semantic segmentation research for drivable regions of autonomous vehicles in conflict environments. This dataset includes 5554 carefully curated images sourced from the open-source DATTALION multimedia repository of the Ukrainian battlefield, covering visual data from multiple scenarios such as urban ruins and field combat zones. Its construction process employs strict ethical review and multi-level filtering mechanisms, with six semantic labels including roads, drivable areas, pedestrians and other categories manually annotated. This resource aims to break through the limitations of traditional urban driving datasets, providing a robust test benchmark for unmanned system navigation in high-risk scenarios, and advancing the safe application of military autonomous driving in complex battlefield environments.

原始信息汇总

WarNav数据集概述

数据集简介

WarNav数据集由开源多媒体存储库DATTALION提供的选定图像子集注释构成，专门用于在非结构化、受冲突影响环境中开发与评估自主地面车辆的语义分割模型。

数据集内容

数据文件

• 3个文件提供从Dattalion选定的图片名称（按训练集、验证集和测试集划分）：
  • train_dataset_selection.txt（5354个图像名称）
  • validation_dataset_selection.txt（100个图像名称）
  • test_dataset_selection.txt（100个图像名称）
• 验证集和测试集注释（采用Cityscape格式）：
  • Validation_annotation
  • Test_annotation

注释说明

• 验证集100张图像中，3张不包含任何感兴趣类别像素，因此验证集注释仅涵盖97张至少包含1个感兴趣类别像素的图像
• 测试集注释包含90张图像的单一注释，以及10张额外图像的3个不同标注者提供的冗余注释（性能评估使用标注者2的注释）

标注类别

• Overlay：包含后期添加的图形覆盖或注释区域（从训练和性能评估中排除）
• Road：民用车辆交通路面（通常为沥青铺装）
• Drivable：非正式道路但军用4x4车辆可通行区域（如土路、开阔地）
• Pedestrian：人类（对安全自主导航任务至关重要）
• Vehicle：可能可操作的民用车辆（损坏或废弃车辆除外）
• Background：所有未标注区域（包括建筑物、植被、天空、瓦砾等不可导航区域）

数据获取

数据集通过Google Drive提供：https://drive.google.com/drive/folders/1H5tCksnuxfF5QYqGOAwvfgn6K0NOc4vL?usp=sharing

许可信息

数据注释采用知识共享署名非商业性使用4.0许可协议

引用文献

相关论文链接暂未提供

搜集汇总

数据集介绍

构建方式

WarNav数据集构建过程体现了在极端环境下数据采集的严谨性，其源数据取自公开的DATTALION多媒体资源库，该库收录了乌克兰冲突地区的真实图像。研究团队通过多阶段筛选流程，首先排除夜间场景、室内图像及不符合伦理标准的内容，保留具备道路基础设施的白天户外场景。随后采用人工复核机制，依据导航任务需求定义六类语义标签，包括道路、可行驶区域及行人等关键类别，最终形成包含训练集5354张图像、验证集与测试集各100张图像的数据分区，且通过月度数据隔离有效避免了域泄露问题。

特点

该数据集的核心特征在于其聚焦冲突地区特有的视觉复杂性，涵盖建筑残骸、弹坑及野火等传统数据集中罕见的场景要素。语义类别设计兼顾军事车辆导航特性，将可行驶区域细分为规范化道路与越野通行区，并严格区分功能性车辆与静态障碍物。数据分布呈现背景类主导的典型特征，可行驶区域与道路合计占比显著，而行人及车辆类因实际场景特性呈现稀疏分布。值得注意的是，数据标注仅覆盖验证集与测试集，训练集完全未标注，凸显了面向极端环境的标注稀缺性研究价值。

使用方法

WarNav作为语义分割任务的基准数据集，其评估框架创新性地引入加权平均交并比（wmIoU）指标，通过距离映射与边界权重强化对导航关键区域的评估。研究实践表明，直接迁移城市场景训练模型至该数据集存在显著性能落差，而融合多域数据（如Cityscapes、RUGD与Earthquake）的联合训练策略能有效提升模型在毁损环境中的泛化能力。数据集支持无监督域自适应研究，用户可通过其未标注训练集探索标注稀缺条件下的模型适应方法，为高风险场景下的自主导航系统开发提供验证基础。

背景与挑战

背景概述

WarNav数据集于2025年由法国Safran Electronics and Defense与巴黎萨克雷大学联合推出，聚焦于冲突环境中自主地面车辆的语义分割研究。该数据集源自公开的DATTALION多媒体资源库，旨在填补传统城市驾驶数据集与危险战区无人系统操作需求之间的关键空白。其核心研究问题在于提升无人系统在非结构化、高动态战场环境下的导航鲁棒性，通过构建具有代表性的真实战争场景图像库，为军事自主驾驶技术的安全性与适应性提供重要数据支撑。

当前挑战

WarNav面临双重挑战：在领域问题层面，需解决战争场景中导航区域分割的极端复杂性，包括爆炸残骸、道路损毁及动态威胁物等非结构化元素的精准识别；在构建过程中，需克服数据异质性、伦理合规性及标注稀缺性等难题，例如从公开冲突图像中筛选符合导航语义的视觉内容，同时确保数据来源符合隐私保护法规，并在无目标图像标注约束下建立有效的评估基准。

常用场景

衍生相关工作

基于WarNav数据集的研究催生了多个重要技术方向的发展。在模型架构方面，SegFormer等视觉Transformer模型在该数据集上展现出优异的跨领域适应能力；在训练策略上，结合Cityscapes、RUGD和Earthquake等多源数据的混合训练方法显著提升了模型在破坏环境下的泛化性能；在评估体系方面，针对导航任务优化的加权mIoU指标为极端环境下的语义分割研究建立了新的评估标准。这些衍生工作共同推动了无人系统在复杂环境下的感知技术进步。

数据集最近研究

最新研究方向

在军事自主导航领域，WarNav数据集正推动语义分割技术向极端非结构化环境的适应性研究。前沿工作聚焦于克服传统城市数据集与战区场景间的领域鸿沟，通过融合多源户外数据（如城市、乡村及灾后环境）来增强模型在毁损区域的泛化能力。热点探索包括无监督域自适应方法的应用，旨在减少对标注数据的依赖，同时确保导航系统在GPS拒止、射频干扰等复杂战场条件下的鲁棒性与安全性。这一方向对提升无人地面车辆在冲突地区的实时态势感知与路径规划能力具有关键意义，为高危场景下的自主系统部署奠定了可靠基础。

相关研究论文

• 通过

  萨弗兰电子与防务公司, 巴黎-萨克雷大学 · 2025年