该数据集由改装的福特F-250皮卡在2009年11月至12月期间于密歇根州迪尔伯恩市采集，包含Applanix POS LV和Xsens MTI-G IMU、Velodyne 3D激光雷达、Riegl激光雷达及Ladybug3全向摄像头的多模态时间同步数据。数据规模涵盖园区与城市道路多种环境，具有多个大小循环闭包，适用于SLAM与视觉定位算法测试。其高精度传感器配置和真实驾驶轨迹为自动驾驶感知与建

库帕思2025-12-22 更新290

EmbodiedCity/UrbanVideo-Bench

视觉问答

城市智能化

UrbanVideo-Bench是一个用于评估视频大型语言模型（Video-LLMs）在处理连续的第一人称视觉观察方面的能力的数据集，这包括记忆、感知、推理和导航。数据集包含两部分：超过5000个多项选择题问答（MCQ）数据和超过1000个视频剪辑。MCQ数据存储在`MCQ.parquet`文件中，包含问题ID、视频ID、问题类别、问题和答案字段。

Hugging Face2025-07-15 更新200

ZS-F-VQA

机器学习

视觉问答

ZS-F-VQA 数据集是针对零样本问题的 F-VQA 数据集的新拆分。首先，我们获得 F-VQA 数据集的原始训练/测试分割，并将它们组合在一起，根据其出现频率过滤出答案出现在前 500 名的三元组。接下来，我们以 1:1 的比例将这组答案随机分成新的训练拆分（也称为可见）$\mathcal{A}_s$ 和测试拆分（又名未见过）$\mathcal{A}_u$。参考 F-VQA 标准数据集，

OpenDataLab2026-07-12 更新310

kihoonlee/KoLLaVA-Instruct-1.5k

视觉问答

多模态学习

该数据集包含1500个训练示例，每个示例包括图像、问题、答案和来源信息。数据集总大小为79685301.5字节，下载大小为79102582字节。

Hugging Face2024-06-25 更新240