jeong2/avoid

- **URL**: https://huggingface.co/datasets/jeong2/avoid
- **Dataset url**: http://vi.kaist.ac.kr/avoid/avoid.html
- **Supplementary video link**: <!-- http://vi.kaist.ac.kr/avoid/sample.mp4 -->
- **Dataset embargo**: We have our project page available, but the full dataset will be open by the end of September.
- Since our dataset requires a large amount of storage (>500GB and >1TB with additional data), we expect it will take a couple months to setup a stable server.

**Data composition / structure**
```
train / val / test
├──obstacle_weather_Town01_01_01
├──|──obstacle_weather_Town01_01_01_route0_04_14_20_18_51
├──|──|──depth: depth map
├──|──|──label_raw: class, extent, position, yaw, num_points, distance, speed, brake, id, ego_matrix
├──|──|──lidar: LiDAR data
├──|──|──lidar_sem: semantic annotations for LiDAR data
├──|──|──measurements: x, y, theta, speed, target_speed, x_command, y_command, command, waypoints, steer, throttle, brake, weather, junction, vehicle_hazard, light_hazard, walker_hazard, stop_sign_hazard, angle, ego_matrix,
├──|──|──rgb: RGB image (left)
├──|──|──rgb_bev: BEV RGB image
├──|──|──rgb_pair: paired RGB image (Right)
├──|──|──semantics: semantic annotations for RGB image (left)
├──|──|──semantics_bev: semantic annotations for BEV RGB image
├──|──|──topdown: encoded topdown view
```
---
##License: The AVOID dataset is published under the *CC BY-NC-ND 4.0* License, and all codes are published under the *Apache 2.0* License.
---

## Acknowledgement
To be updated

## Citation
```
@misc{
avoid,
title={avoid},
author={},
year={2023},
url={}
}
```

- **URL**：https://huggingface.co/datasets/jeong2/avoid
- **数据集官方地址**：http://vi.kaist.ac.kr/avoid/avoid.html
- **补充视频链接**：<!-- http://vi.kaist.ac.kr/avoid/sample.mp4 -->
- **数据集发布限制**：我们已上线项目页面，但完整数据集将于9月底正式开放。
由于本数据集存储空间需求较大（基础数据超过500GB，含附加数据则超过1TB），我们预计需要数月时间搭建稳定的服务器以提供访问服务。

**数据组成与结构**

训练集 / 验证集 / 测试集
├──obstacle_weather_Town01_01_01
├──|──obstacle_weather_Town01_01_01_route0_04_14_20_18_51
├──|──|──depth: 深度图（depth map）
├──|──|──label_raw: 原始标注文件，包含类别、包围盒范围、位置、偏航角（yaw）、点云数量、距离、车速、制动状态、ID、自车矩阵（ego_matrix）
├──|──|──lidar: 激光雷达（LiDAR）数据
├──|──|──lidar_sem: 激光雷达语义标注
├──|──|──measurements: 测量数据，包含x坐标、y坐标、航向角、车速、目标车速、x方向控制指令、y方向控制指令、行驶指令、路点（waypoints）、转向角（steer）、油门开度（throttle）、制动状态、天气状况、路口状态、车辆危险状态、灯光危险状态、行人危险状态、停车标志危险状态、夹角、自车矩阵
├──|──|──rgb: 左侧RGB图像
├──|──|──rgb_bev: 鸟瞰视角（BEV）RGB图像
├──|──|──rgb_pair: 右侧配对RGB图像
├──|──|──semantics: 左侧RGB图像语义标注
├──|──|──semantics_bev: 鸟瞰视角RGB图像语义标注
├──|──|──topdown: 编码式俯视图

---
## 许可证
本AVOID数据集采用**CC BY-NC-ND 4.0**许可证发布，所有配套代码则采用**Apache 2.0**许可证发布。
---

## 致谢
待更新

## 引用

@misc{
avoid,
title={avoid},
author={},
year={2023},
url={}
}

原始信息汇总

数据集概述

基本信息

• URL: https://huggingface.co/datasets/jeong2/avoid
• Dataset url: http://vi.kaist.ac.kr/avoid/avoid.html
• License: CC BY-NC-ND 4.0

数据集结构

数据集分为训练集、验证集和测试集，每个子集包含以下文件结构：

train / val / test ├── obstacle_weather_Town01_01_01 ├── |── obstacle_weather_Town01_01_01_route0_04_14_20_18_51 ├── | |── depth: depth map ├── | |── label_raw: class, extent, position, yaw, num_points, distance, speed, brake, id, ego_matrix ├── | |── lidar: LiDAR data ├── | |── lidar_sem: semantic annotations for LiDAR data ├── | |── measurements: x, y, theta, speed, target_speed, x_command, y_command, command, waypoints, steer, throttle, brake, weather, junction, vehicle_hazard, light_hazard, walker_hazard, stop_sign_hazard, angle, ego_matrix ├── | |── rgb: RGB image (left) ├── | |── rgb_bev: BEV RGB image ├── | |── rgb_pair: paired RGB image (Right) ├── | |── semantics: semantic annotations for RGB image (left) ├── | |── semantics_bev: semantic annotations for BEV RGB image ├── | |── topdown: encoded topdown view

数据集访问

• Dataset embargo: 全数据集预计在9月底开放。
• 存储需求: 数据集需要大量存储空间，超过500GB，若包含额外数据则超过1TB。

搜集汇总

数据集介绍

构建方式

jeong2/avoid数据集的构建依托于真实环境中的驾驶场景，通过集成多种传感器数据，如深度地图、LiDAR数据、RGB图像等，构建了一个多层次、多维度的驾驶模拟环境。数据集分为训练集、验证集和测试集，每个集合中都包含了不同天气条件下的障碍物信息，旨在为自动驾驶系统提供丰富的训练素材，增强其在复杂环境下的感知与决策能力。

特点

该数据集的特点在于其全面性、真实性和多样性。全面性体现在数据包含了从RGB图像到LiDAR点云，再到深度信息等多种类型的传感器数据；真实性则表现在数据来源于实际驾驶场景，反映了现实世界的复杂性；多样性则体现在数据覆盖了多种天气状况和不同的障碍物类型，为算法训练提供了丰富的场景。

使用方法

使用jeong2/avoid数据集时，用户需先从指定URL下载数据集，并根据数据集的结构组织训练环境。数据集的每个样本都包含了多个文件，用户需利用这些文件中的信息进行综合分析，以训练自动驾驶系统中的感知和决策模块。此外，数据集的使用需遵循CC BY-NC-ND 4.0许可证的规定，确保合法合规地开展研究工作。

背景与挑战

背景概述

在自动驾驶领域，精确的环境感知与理解是确保行驶安全的关键。AVOID数据集，由韩国科学技术院（KAIST）的视觉研究团队于2023年创建，旨在为自动驾驶系统提供训练素材，尤其是在复杂天气条件下的障碍物识别与避让。该数据集通过收集大量实车行驶中产生的多源异构数据，包括深度图、LiDAR数据、语义标注等，为研究人员提供了全面的环境感知研究资源，对自动驾驶技术的发展具有显著的推动作用。

当前挑战

AVOID数据集在构建过程中面临的挑战主要涉及两个方面：一是数据收集与整合的难度，多源数据的同步采集与处理要求高；二是数据集的存储与分发问题，其庞大的数据量（超过500GB）给服务器稳定性和数据传输带来了挑战。在研究领域问题上，该数据集旨在解决自动驾驶系统在复杂天气条件下的障碍物识别与避让问题，这要求系统不仅能准确识别各种障碍物，还需在恶劣天气条件下保持高度的鲁棒性。

常用场景

经典使用场景

在自动驾驶领域，jeong2/avoid数据集的典型应用场景在于提供车辆在复杂环境中避开障碍物的训练数据。该数据集通过记录车辆在多种天气条件下的行驶状况，包括障碍物类别、位置、速度等详细信息，为自动驾驶系统提供了丰富的训练样本，有助于系统学习如何在多变环境中安全驾驶。

实际应用

实际应用中，jeong2/avoid数据集可用于自动驾驶车辆的算法训练，以提升车辆在真实世界中处理复杂交通情况的能力。此外，该数据集还能为无人驾驶车辆的安全评估提供重要参考，有助于降低交通事故的发生率。

衍生相关工作

jeong2/avoid数据集的发布促进了相关领域的研究工作，如自动驾驶车辆的环境感知、决策制定和执行系统。基于该数据集，研究者们衍生出多项经典工作，包括但不限于障碍物检测算法的改进、避障策略的优化以及自动驾驶系统安全性的提升等。