RoRaTrack

RoRaTrack数据集是由普渡大学电子与计算机工程学院的研究团队创建的，专为自动驾驶赛车道路场景设计的开源数据集。该数据集包含来自赛车上的多角度相机的图像数据和实例级别的注释，如分割掩码。数据是在印第安纳州的一条赛车轨道上，使用Dallara AV-21赛车收集的。RoRaTrack旨在解决高速模糊、颜色反转、轨道上缺乏车道标记等常见问题。数据集分为正常、曲线道路、颜色失衡、模糊和眩光等多种类别，包含两个相机角度的607张左前图像和791张右前图像，总计1398张图像，分为训练和测试集。该数据集适用于开发和研究自动驾驶赛车中的轨道检测算法。RoRaTrack is an open-source dataset specifically designed for autonomous racing road scenarios, created by a research team from the School of Electrical and Computer Engineering at Purdue University. It includes image data from multi-angle cameras mounted on the racing car and instance-level annotations such as segmentation masks. The dataset was collected on a race track in Indiana using a Dallara AV-21 racing car. RoRaTrack aims to address common challenges in autonomous racing scenarios, including high-speed motion blur, color inversion, and the lack of lane markings on the track. The dataset is categorized into multiple types such as normal, curved road, color imbalance, blur, and glare. It contains 607 front-left images and 791 front-right images from two camera angles, totaling 1398 images, which are split into training and test sets. This dataset is suitable for developing and researching track detection algorithms in autonomous racing.

搜集汇总

数据集介绍

构建方式

RoRaTrack数据集的构建基于Dallara AV-21赛车在印第安纳州Putnam Park赛道上的实际行驶数据。数据采集过程中，赛车配备了6个单目摄像头（前后左右各两个），以及4个雷达、3个激光雷达和GPS。数据收集后，通过前左和前右摄像头以30帧/秒的速率采集图像，并下采样至1帧/秒，最终形成了包含1398张图像的数据集，分为训练集和测试集，比例为80:20。图像注释采用两阶段方法，首先手动注释20%的图像，然后使用预训练的YOLOv8nseg模型对剩余图像进行标注。

特点

RoRaTrack数据集的特点在于其真实性和多样性。数据集包含了在高速行驶、不同天气条件下的图像，这些图像普遍存在模糊、颜色失真和眩光等问题。此外，数据集还包含了赛车在赛道上的多个视角，提供了更丰富的环境信息。RoRaTrack数据集是专为道路赛车环境设计的，因此不包含车道线或车道边界。数据集的这些特点使其成为开发和应用鲁棒性强的轨道检测算法的理想资源。

使用方法

RoRaTrack数据集可用于训练和测试自动驾驶赛车中的轨道检测算法。数据集包含的图像和注释可以帮助研究人员开发能够处理复杂驾驶场景的模型。此外，数据集还可以用于评估现有算法在赛车环境中的性能，并为未来算法的改进提供参考。数据集的使用方法包括但不限于：训练深度学习模型、评估算法性能、研究算法在不同驾驶场景下的表现等。

背景与挑战

背景概述

在自动驾驶赛车领域，缺乏包含原始图像和相应注释的公开数据集，这对下游任务构成了显著挑战。为此，Shreya Ghosh等人于2025年提出了RoRaTrack数据集，该数据集包含了用于赛道检测的多摄像头图像数据。这些数据是在印第安纳州的一个赛车场使用Dallara AV-21赛车收集的，并与Indy Autonomous Challenge（IAC）合作完成。RoRaTrack数据集解决了诸如由于高速导致的模糊、相机颜色反转以及赛道上缺乏车道标记等常见问题。为了有效应对这些挑战，研究人员提出了RaceGAN，这是一个基于生成对抗网络（GAN）的基线模型。RaceGAN模型在赛道检测方面表现出色，与现有最先进的机器学习模型相比具有优越的性能。该数据集和代码可在github.com/RaceGAN上获取。

当前挑战

RoRaTrack数据集面临的挑战包括：1)解决领域问题，即赛道检测，特别是在赛车环境中，由于高速导致的图像模糊、颜色反转以及缺乏清晰的车道标记等问题；2)构建过程中遇到的挑战，如数据收集的复杂性、图像的多样性和复杂性、以及数据标注的准确性等。为了应对这些挑战，RoRaTrack数据集采用了多摄像头收集数据，并使用了深度学习技术进行图像分割和车道检测。此外，RaceGAN模型的设计考虑了赛车环境的特殊性，通过生成对抗网络来生成更高质量的赛道检测图像。

常用场景

经典使用场景

在自动驾驶赛车的研究中，RoRaTrack数据集主要用于训练和评估赛道检测模型。该数据集包含了从不同角度拍摄的赛车场景下的多摄像头图像数据，以及对应的分割标注，为下游的赛道检测任务提供了丰富的训练数据。

解决学术问题

RoRaTrack数据集解决了自动驾驶赛车研究中赛道检测的难题。现有的交通数据集无法满足赛车场景下赛道检测的需求，因为它们缺乏清晰的赛道标记，且赛车场景下的图像具有高速度导致的模糊、颜色反转等问题。RoRaTrack数据集通过收集真实赛车场景下的图像数据，并提供了对应的分割标注，为赛道检测模型的训练和评估提供了有效的解决方案。

衍生相关工作

RoRaTrack数据集的提出，衍生了一系列相关的经典工作。基于RoRaTrack数据集，研究人员提出了RaceGAN模型，该模型基于生成对抗网络（GAN），能够有效地解决赛车场景下赛道检测的挑战。RaceGAN模型在赛道检测任务上取得了优异的性能，为自动驾驶赛车的研究提供了重要的参考和借鉴。