Awesome-3D-LiDAR-Datasets

该仓库收集了公共的3D LiDAR数据集，详细介绍了每个数据集的类型、使用的LiDAR数量、目的和规模等。数据集主要用于对象检测、分割、里程计、地点识别和定位等任务。

This repository compiles publicly available 3D LiDAR datasets, detailing the type of each dataset, the number of LiDARs used, their purposes, and scales. The datasets are primarily utilized for tasks such as object detection, segmentation, odometry, place recognition, and localization.

原始信息汇总

数据集概述

本数据集集合专注于3D LiDAR数据，涵盖多种类型和规模的LiDAR设备。数据集的主要应用领域包括对象检测（OD）、分割（Seg）、里程计（Odom）、地点识别（PR）和定位（Loc）。根据数据集的规模，超过1公里的数据集被归类为大规模。使用多个LiDAR序列的数据集，即使不是同时执行，也被标记为“单个带多个LiDAR”。

数据集列表

数据集名称	年份	单/多 LiDAR	旋转 LiDAR	固态 LiDAR	应用目标	规模
MIT DARPA	2010	单	1x HDL-64E	否	里程计	大规模
Ford Campus	2011	单	1x HDL-64E	否	里程计	大规模
KITTI	2013	单	1x HDL-64E	否	里程计	大规模
NCLT	2017	单	1x HDL-32E	否	里程计	两者
Complex Urban Dataset	2019	多	2x VLP-16C	否	里程计	大规模
Toronto-3D	2020	多	1x Teledyne Optech Maverick (32 Channels)	否	分割	大规模
Apollo-DaoxiangLake Dataset	2020	单	1x HDL-64E	否	定位	大规模
Apollo-SouthBay Dataset	2020	单	1x HDL-64E	否	定位	大规模
MulRan	2020	单	1x OS1-64	否	地点识别, 里程计	大规模
The Oxford Radar RobotCar Dataset	2020	多	2x HDL-32E	否	里程计, 地点识别	大规模
Newer College Dataset	2020	单	1x OS1-64	否	里程计	小规模
nuScenes	2020	单	1x HDL-32E	否	对象检测	大规模
Ford AV Dataset	2020	多	4x HDL-32E	否	里程计	大规模
LIBRE	2020	单带多个 LiDAR	12x 旋转 (每个)	否	里程计	大规模
EU Long-term Dataset	2021	多	2x HDL-32E	否	里程计	大规模
NTU VIRAL Dataset	2021	多	2x OS1-16	否	里程计	小规模
M2DGR	2021	单	1x VLP-32C	否	里程计	大规模
Pandaset	2021	多	1x Pandar64	1x PandarGT	分割	大规模
UrbanNav Dataset	2021	多	1x HDL-32E, 1x VLP-16C, 1x Lslidar C16	否	里程计	大规模
Livox Simu-Dataset	2021	多	否	5x Livox Horizon, 1x Livox Tele	对象检测, 分割	大规模
Hilti 2021 SLAM dataset	2021	多	1x OS0-64	1x Livox MID70	里程计	小规模
S3LI Dataset	2022	单	否	1x Black-filed Cube LiDAR	里程计	大规模
STHEREO	2022	单	1x OS1-128	否	里程计	大规模
ORFD	2022	单	1x Hesai Pandar40P	否	分割	大规模
Tiers	2022	多	1x VLP-16C, 1x OS1-64, 1x OS0-128	1x Livox Avia, 1x Livox Horizon, 1x RealSense L515	里程计	两者
Hllti 2022 SLAM dataset	2022	单	1x Hesai PandarXT-32	否	里程计	小规模
USTC FLICAR	2023	多	1x HDL-32E, 1x VLP-32C, 1x OS0-128	1x Livox Avia	里程计	小规模
WOMD Dataset	2023	单	1x 旋转 (未知)	否	对象检测	大规模
Wild Places	2023	单	1x VLP-16C	否	地点识别	大规模
FusionPortable	2022	单	1x OS1-128	否	里程计	小规模
Hilti 2023 SLAM Dataset	2023	单带多个 LiDAR	1x PandarXT-32, 1x Robosense BPearl (每个)	否	里程计	小规模
City Dataset	2023	多	1x OS2-128	1x Livox Tele, 1x Livox Avia	里程计	大规模
Ground-Challenge	2023	单	1x VLP-16C	否	里程计	小规模
RACECAR	2023	多	否	3x Luminar Hydra	定位, 对象检测	大规模
ConSLAM	2023	单	1x VLP-16C	否	SLAM	小规模
Pohang Canal Dataset	2023	多	1x OS1-64, 2x OS1-32	否	里程计	大规模
Boreas	2023	单	1x VLP-128	否	里程计, 地点识别, 对象检测	大规模
HeLiPR	2023	多	1x OS1-64, 1x VLP-16	1x Livox Avia, 1x Aeva Aeries II	里程计, 地点识别	大规模
A Multi-LiDAR Multi-UAV Dataset	2023	多	1x OS1-64	1x Livox Mid, 1x Livox 360	里程计	小规模
MARS-LVIG dataset	2024	单	否	1x Livox Avia	里程计, 定位	大规模
M2DGR-plus	2024	单	1x RS LiDAR 16C	否	里程计	小规模
LiDAR-Degeneray-Datasets	2024	单	1x OS0-128	否	里程计	小规模
BotanicGarden	2024	多	1x VLP-16	1x Livox Avia	里程计, 定位, 地点识别	大规模
3DRef	2024	多	1x OS0-128, 1x Hesai QT64	1x Livox Avia	分割	大规模
FusionPortableV2	2024	单	1x OS1-128	否	里程计	大规模

搜集汇总

数据集介绍

构建方式

Awesome-3D-LiDAR-Datasets数据集通过系统性地收集和整理多个3D LiDAR数据集，构建了一个全面且多样化的资源库。该数据集的构建方式主要依赖于对现有公开数据集的汇总，涵盖了从2011年至2024年的多个年份，涉及多种LiDAR传感器类型，包括旋转式和固态LiDAR。每个数据集的详细信息通过表格形式呈现，包括传感器类型、数据集用途、规模等关键信息。此外，数据集的目标任务被细分为物体检测、分割、里程计、地点识别、深度估计和定位等类别，确保了数据集在不同应用场景中的广泛适用性。

特点

该数据集的显著特点在于其多样性和全面性。首先，数据集涵盖了从单LiDAR到多LiDAR的多种配置，适应了不同研究需求。其次，数据集的规模从小型到大型不等，能够满足从实验室研究到实际应用的各种需求。此外，数据集的用途广泛，涉及自动驾驶、机器人导航、环境感知等多个领域。最后，数据集的更新频率较高，确保了其内容的时效性和前沿性，为研究人员提供了最新的数据资源。

使用方法

Awesome-3D-LiDAR-Datasets数据集的使用方法相对简单且灵活。用户可以通过访问GitHub页面获取数据集的详细信息和下载链接。数据集的表格形式使得用户能够快速筛选出符合其研究需求的数据集。对于每个具体的数据集，用户可以进一步查看其传感器配置、环境类型、目标任务等详细信息，以便选择最适合的数据集进行实验。此外，数据集的开放性和多样性使得研究人员可以在不同的应用场景中进行算法验证和性能评估，推动相关领域的技术进步。

背景与挑战

背景概述

Awesome-3D-LiDAR-Datasets 是一个汇集了多种三维激光雷达（LiDAR）数据集的资源库，由全球多个研究机构和研究人员共同贡献。该数据集的创建始于2023年7月，旨在为三维激光雷达相关的研究提供丰富的数据支持，涵盖了从目标检测（OD）、语义分割（Seg）、里程计（Odom）、地点识别（PR）、深度估计（Depth）到定位（Loc）等多个研究方向。这些数据集的规模从小型到大型不等，且包含多种激光雷达设备，如Velodyne HDL-64E、Ouster OS1-64等。通过这些数据集，研究人员可以深入探索三维激光雷达在自动驾驶、机器人导航、城市建模等领域的应用，推动相关技术的进步。

当前挑战

Awesome-3D-LiDAR-Datasets 面临的挑战主要集中在数据集的多样性和复杂性上。首先，不同数据集的传感器配置、采集环境和目标任务各异，这使得数据集的整合和标准化成为一个难题。其次，三维激光雷达数据的高维度和大规模特性，导致数据处理和存储的复杂性增加，尤其是在处理多传感器融合和长时间序列数据时。此外，由于激光雷达在不同环境下的性能表现差异较大，如在雨雪天气或复杂城市环境中的数据质量下降，如何在这些复杂条件下保持数据的准确性和可靠性也是一个重要的挑战。最后，随着新数据集的不断加入，如何保持数据集的更新和维护也是一个持续的挑战。

常用场景

经典使用场景

Awesome-3D-LiDAR-Datasets 数据集主要用于支持三维激光雷达（LiDAR）在多个领域的研究与应用。其经典使用场景包括目标检测（Object Detection, OD）、语义分割（Segmentation, Seg）、里程计（Odometry, Odom）、地点识别（Place Recognition, PR）、深度估计（Depth Estimation, Depth）和定位（Localization, Loc）。这些任务在自动驾驶、机器人导航、城市建模等领域具有广泛的应用。数据集通过提供多种LiDAR传感器的数据，支持研究人员在这些任务上进行算法开发和性能评估。

实际应用

在实际应用中，Awesome-3D-LiDAR-Datasets 数据集被广泛用于自动驾驶车辆的感知与定位系统开发。例如，在城市环境中，车辆需要通过LiDAR数据进行实时障碍物检测、路径规划和定位。此外，该数据集还支持城市建模、高精度地图生成等应用，为智慧城市和无人驾驶技术的落地提供了重要数据支持。

衍生相关工作

基于Awesome-3D-LiDAR-Datasets，许多经典工作得以展开。例如，KITTI数据集的推出极大地推动了自动驾驶领域的研究，成为目标检测和里程计任务的标准基准。MulRan数据集则专注于雷达与LiDAR的融合，为地点识别提供了新的研究方向。此外，Toronto-3D数据集为城市点云语义分割提供了丰富的标注数据，促进了深度学习在三维点云处理中的应用。