M2I

M2I是一个针对基础设施感知的多摄像机、多布局的大规模合成数据集。它涵盖了各种基础设施，包括不同数量的摄像头、空间布局、航向角、视场（FoV）和重叠度，以及具有挑战性的环境条件，如恶劣天气和变化的照明。该数据集为模型训练和评估提供了一个全面的基准，旨在克服现实世界数据集中基础设施配置、天气条件和摄像头布局的多样性不足的问题。

M2I is a large-scale synthetic dataset tailored for infrastructure perception, supporting multiple cameras and various layout configurations. It covers diverse infrastructure scenarios with varying camera counts, spatial layouts, heading angles, fields of view (FoV) and overlap ratios, alongside challenging environmental conditions such as severe weather and fluctuating lighting. This dataset provides a comprehensive benchmark for model training and evaluation, aiming to address the insufficient diversity in infrastructure configurations, weather conditions and camera layouts present in real-world datasets.

搜集汇总

数据集介绍

构建方式

M2I数据集通过CARLA仿真平台构建，涵盖41个不同地理位置的场景，包含七类城镇风格与八种道路几何结构。数据生成采用多摄像头协同采集策略，模拟真实交通监控系统中1至4个异构摄像头的部署方式，涵盖从3米到10米的安装高度及全向视角分布。通过引入动态环境条件模拟系统，集成了极端天气、昼夜光照变化及传感器退化等多维度变量，最终形成包含27.8万帧图像、1150万标注框的大规模多模态数据集。

使用方法

研究者可通过加载同步的多视角RGB图像流与对应标定参数，基于鸟瞰图坐标系进行3D目标检测任务训练。数据集支持动态摄像头输入处理，当实际摄像头数量不足时采用零填充机制保持网络兼容性。评估阶段提供标准nuScenes指标体系，包括mAP与NDS等核心指标，并设有正常模式、传感器退化模式与极端天气模式三重测试基准，支持模型泛化能力与鲁棒性的系统化验证。

背景与挑战

背景概述

M2I数据集由加州大学洛杉矶分校研究团队于2025年提出，作为基础设施感知领域的重要基准，旨在解决多摄像头三维物体检测中的关键问题。该数据集基于CARLA仿真平台构建，涵盖278,000帧图像数据与1,150万标注边界框，通过模拟真实交通场景中的异构摄像头配置与复杂环境条件，为智能交通系统的全局态势感知提供数据支撑。其创新性体现在融合多样化道路几何布局与动态环境因素，显著推动了车路协同感知技术的研究进程。

当前挑战

在领域问题层面，M2I致力于克服基础设施多摄像头三维检测中的视角异构性挑战，包括摄像头空间分布差异、重叠视域下的特征对齐困难，以及极端天气导致的视觉退化问题。构建过程中面临三大核心挑战：一是需模拟真实世界基础设施摄像头的安装变异性，涵盖高度、俯仰角、偏航角等参数组合；二是需平衡场景多样性，涵盖从高速公路到城市交叉口的41种地理布局；三是需构建物理真实的传感器退化模型，包括运动模糊、雨雾干扰与临时传感器失效等复杂情况。

常用场景

经典使用场景

在智能交通系统领域，M2I数据集作为首个专为多摄像头基础设施感知设计的大规模合成基准，其经典应用场景聚焦于异构摄像头配置下的三维目标检测。该数据集通过模拟真实世界交叉路口、高速公路匝道等多样化道路几何形态，支持研究者评估模型在空间分布传感器、可变视场角及不同程度视野重叠等复杂条件下的性能表现。其涵盖的278K帧图像与11.5M标注框为多视角特征融合算法提供了标准化测试平台，尤其适用于研究鸟瞰图空间中的几何关系建模与跨视角特征对齐问题。

解决学术问题

M2I数据集有效解决了基础设施感知领域三大核心学术难题：首先突破了传统数据集在摄像头配置单一性方面的局限，通过12种真实部署配置模拟了高度、俯仰角、偏航角等参数的全方位变化，为异构传感器融合研究提供了数据基础；其次弥补了场景多样性不足的缺陷，覆盖7种城镇类型与8类道路几何结构，使模型能够学习跨越不同空间布局的泛化特征；最后通过集成极端天气、昼夜交替及传感器退化等动态条件，建立了面向现实部署的鲁棒性评估体系，推动了感知算法在光照变化、雨雾干扰等挑战性环境下的理论突破。

实际应用

该数据集的实际价值体现在智能交通系统的多个关键环节：为路边单元协同感知系统提供训练数据，支持车辆-基础设施通信场景下的动态目标追踪；应用于城市级交通监控网络，通过多视角融合提升对交叉路口盲区车辆的检测精度；服务于自动驾驶仿真测试，生成涵盖复杂天气与照明条件的虚拟测试案例。特别在高速公路监控场景中，其800米长距离检测范围与多摄像头协同的设定，为实际部署中的广域目标定位与轨迹预测提供了可靠验证基础。

数据集最近研究

最新研究方向

在智能交通系统领域，M2I数据集作为多视角基础设施感知的重要基准，其前沿研究聚焦于基于鸟瞰图（BEV）的3D物体检测技术。近期突破性工作MIC-BEV通过图神经网络建模相机与BEV网格的几何关系，实现了异构相机配置下的自适应特征融合，显著提升了复杂道路布局和恶劣天气条件下的检测鲁棒性。该方向与车路协同、边缘计算等热点技术深度融合，推动了基础设施感知系统在遮挡补偿、传感器退化容错等方面的实际应用，为自动驾驶和智慧城市提供了可扩展的感知范式。

相关研究论文

• 通过

  加州大学洛杉矶分校（UCLA） · 2025年