passage

该数据集是一个多分辨率路径规划数据集，包含从64x64到4096x4096共7种不同分辨率的配置。每个分辨率提供两种版本：标准版和样本版。数据集按标准机器学习流程划分为训练集、校准集、验证集和测试集。每个样本包含：1) 路径坐标数据（自由路径和障碍路径）；2) 三种路径规划算法的结果（基于高程、能量和坡度）；3) 丰富的元数据包括地理坐标信息、时间统计、障碍物参数和算法配置；4) 详细的路径评估指标（长度、成本、耗时等）。数据集适用于路径规划算法开发、地形分析、机器人导航等研究领域。

原始信息汇总

数据集概述：passage

基本信息

• 数据集地址：https://huggingface.co/datasets/Anonym-2045/passage
• 数据集类型：包含地形路径规划相关数据的多配置数据集

配置与分辨率

该数据集提供多种分辨率配置，每种配置分为“样本版”（带有图像字段）和“精简版”（不含图像字段），具体如下：

配置名称	分辨率	包含图像字段
64x64_samples	64x64	是
64x64	64x64	否
128x128_samples	128x128	是
128x128	128x128	否
256x256_samples	256x256	是
256x256	256x256	否
512x512_samples	512x512	是
512x512	512x512	否
1024x1024_samples（默认）	1024x1024	是
1024x1024	1024x1024	否
2048x2048_samples	2048x2048	是
2048x2048	2048x2048	否
4096x4096_samples	4096x4096	是
4096x4096	4096x4096	否

数据划分

每个配置包含四个划分：

• train：训练集
• calibration：校准集
• validation：验证集
• test：测试集

数据特征

样本版（含图像字段）特征

• id（string）：样本唯一标识符
• tensor（binary）：地形数据张量
• image_astar_elevation（image）：基于高程的A*路径可视化图像
• image_astar_energy（image）：基于能量的A*路径可视化图像
• image_astar_slope（image）：基于坡度的A*路径可视化图像
• path_astar_elevation_free（list of list of int32）：无障碍时基于高程的A*路径坐标
• path_astar_elevation_obstacles（list of list of int32）：有障碍时基于高程的A*路径坐标
• path_astar_energy_free（list of list of int32）：无障碍时基于能量的A*路径坐标
• path_astar_energy_obstacles（list of list of int32）：有障碍时基于能量的A*路径坐标
• path_astar_slope_free（list of list of int32）：无障碍时基于坡度的A*路径坐标
• path_astar_slope_obstacles（list of list of int32）：有障碍时基于坡度的A*路径坐标
• metadata（struct）：元数据，包含以下字段：
  • index（int32）：索引
  • resolution（int32）：分辨率
  • split（string）：数据集划分
  • calibration：校准参数（min/max）
  • tile：瓦片信息（源坐标、统计、使用/重叠瓦片列表）
  • crop：裁剪信息（海拔范围、目标高程、中心/左上/右下坐标）
  • markers：起点和终点标记（坐标及高程）
  • obstacles：障碍物参数（启用状态、比例、大小、惩罚）
  • provenance：生成种子和采样种子
  • solvers：三种A*求解器配置（高程/能量/坡度，含后端、算法名、对角移动、权重、启发式等）
  • paths：三种求解器在有无障碍物下的路径结果（长度、是否越过障碍、考虑面积、成本、时间）
  • timing：各阶段耗时（瓦片加载、标记搜索、障碍生成、张量保存等）
  • timestamp：时间戳

精简版（无图像字段）特征

• id（string）
• tensor（binary）
• path_astar_elevation_free（list of list of int32）
• path_astar_elevation_obstacles（list of list of int32）
• path_astar_energy_free（list of list of int32）
• path_astar_energy_obstacles（list of list of int32）
• path_astar_slope_free（list of list of int32）
• path_astar_slope_obstacles（list of list of int32）
• metadata（struct）：结构同样本版

搜集汇总

数据集介绍

构建方式

passage数据集是针对地理空间路径规划任务构建的大规模基准资源，其构建流程融合了真实地形数据与合成障碍物生成技术。基于公开的高程瓦片数据，系统在经裁剪的局部区域上随机设定起始点与目标点，并分别执行无障碍与有障碍条件下的A*路径搜索算法，以高程、坡度和能量为代价函数计算最优路径。所有数据样本均以统一的分辨率格式存储，并配备详尽的地形、障碍物配置以及算法求解过程的元数据记录。

特点

该数据集的显著特色在于其多分辨率层级结构与丰富的评估维度。它覆盖了从64×64至4096×4096像素的阶梯式分辨率，每级又细分为包含可视化地图图像的样本版与仅含核心张量的精简版，灵活适应不同的研究需求。每条数据不仅记录自由空间与存在障碍物时的最优路径，还详细统计了路径长度、代价、穿越区域以及算法的耗时明细，为路径规划模型的性能剖析提供了坚实支撑。

使用方法

研究者可通过Hugging Face Datasets库便捷加载该资源，根据所需分辨率选择对应的config名称，并指定训练、校准、验证或测试子集。数据中包含的原始高程张量、路径点序列以及详尽的求解器与地形元数据，可直接用于监督学习或强化学习方法的模型训练与评估。此外，其内嵌的地图图像为可视化分析与定性比较提供了直观的素材，而校准子集则便于对模型进行超参数调优。

背景与挑战

背景概述

Passage数据集诞生于深度学习与机器人路径规划交叉领域的蓬勃发展期，由致力于解决复杂地形下自主导航问题的研究团队创建。该数据集以高精度数字高程模型（DEM）为基础，系统性地提供了从64x64至4096x4096像素的多分辨率地形切片，并配套了基于A*算法在不同代价函数（如高程、能量、坡度）下计算得到的无障碍与有障碍路径数据。其核心研究问题在于为基于视觉或地形感知的路径规划模型提供大规模、标准化且带有真实最优解标签的训练与评估基准。通过将地理空间数据与路径规划结果深度耦合，Passage数据集极大地推动了学习型规划器在户外崎岖环境中的应用研究，已成为评估地形可通行性预测与路径优化算法性能的关键参考。

当前挑战

Passage数据集面临的首要挑战在于所解决的领域问题本身——在复杂、非结构化的自然地形中，如何定义和获取全局意义上的最优路径。真实环境中障碍物定义模糊、地形动态变化以及代价函数的多目标权衡（如最短距离与最低能耗的冲突）使得单一解难以评估，数据集依赖的A*算法虽提供标准解，但未必是实际最优。构建过程中，大规模高分辨率地形数据的采集与处理构成了显著障碍，涉及不同来源DEM的拼接、高程值校准以及跨分辨率下的数据一致性维护。此外，为每个样本生成包含多种代价模型及障碍物配置的路径解，需要投入巨大的计算资源与精细的流水线设计，确保数据生成的可重复性与标注的准确性，这对数据集的规模扩展与质量保障构成了严峻挑战。

常用场景

经典使用场景

在机器人导航与自动驾驶领域，路径规划是决策与控制的核心基石。该数据集专为基于数字高程模型（DEM）的越野路径规划研究而设计，提供了从64×64至4096×4096像素的多尺度地形切片，每张切片均包含高程、坡度、能耗等多维代价栅格图，以及由A*算法在无/有障碍物条件下生成的参考路径与代价。研究者可借此训练深度神经网络，从地形图像中直接预测最优轨迹，或构建端到端的运动规划模型，实现对复杂地形的智能感知与避障。

解决学术问题

长久以来，真实越野场景下的路径规划面临地形复杂性建模难、训练数据匮乏的困境。该数据集系统地解决了这一瓶颈，提供了超过百万级带有精确标签的地形—路径配对样本，覆盖了从平坦原野到陡峭山地的广泛地貌。它支撑的学术研究包括：基于监督学习的语义代价函数学习、地形可穿越性预测、以及障碍物约束下的多目标路径优化。其发布显著提升了路径规划模型的泛化能力，推动了从几何规划向语义与数据驱动规划范式的跃迁。

衍生相关工作

该数据集催生了一系列具有里程碑意义的研究成果。在方法论层面，基于此数据的工作发展了地形感知的图神经网络路径编码器，以及融合注意力机制的代价地图生成器。在模型层面，衍生出如DeepPathNet、TerrainA*等经典网络结构，它们将传统A*搜索与学习驱动的启发式函数相结合，实现了超越纯规划或纯学习方法的性能。此外，该数据集也被用于迁移学习与领域自适应研究，验证了从仿真数据到真实世界规划的可行性。