autonomousvision/PDM_Lite_Carla_LB2

PDM-Lite数据集是一个用于CARLA Leaderboard 2.0的自动驾驶算法评估的高质量数据集。它包含了5,134条路线，覆盖了8个城镇的38种复杂场景，如城市交通、违反交通规则的参与者以及高速公路驾驶。数据集提供了多种数据模态，包括BEV语义地图、RGB图像、语义分割、深度信息、激光雷达点云等。此外，该数据集还用于训练Transfuser++模型，并在2024年CARLA自动驾驶挑战赛中取得了第一名和第二名的成绩。

The PDM-Lite dataset is designed for CARLA Leaderboard 2.0, used to create the QA dataset DriveLM-Carla, a benchmark for evaluating end-to-end autonomous driving algorithms. The dataset contains 5,134 high-quality routes, covering 8 towns, sampled at 4 Hz, totaling 581,662 frames. It covers 38 complex scenarios including urban traffic, participants violating traffic rules, and highway driving. Data modalities include BEV semantic maps, RGB images, semantic segmentation, depth information, lidar point clouds, and augmented data.

搜集汇总

数据集介绍

构建方式

PDM-Lite数据集基于先进的规则基础专家系统构建，旨在模拟自动驾驶在城市环境中的行驶。该数据集依托于CARLA模拟器，通过在8个城镇中完成100%的路线且无违规行为，以4赫兹的采样率收集了总计581,662帧数据，形成了包含5,134个路线的高质量数据集。

使用方法

使用PDM-Lite数据集，用户可访问GitHub页面获取下载和解压脚本。该数据集适用于端到端自动驾驶算法的评估，特别是通过图视觉问答（GVQA）方法模拟人类推理过程。此外，数据集遵循Apache 2.0许可，便于研究和商业应用。

背景与挑战

背景概述

PDM-Lite数据集是在自动驾驶领域的一项重要成果，由OpenDriveLab团队开发，旨在为CARLA模拟环境中的Leaderboard 2.0提供基准。该数据集基于规则基础的专家系统，是首个成功导航所有场景的自动驾驶系统。其研究背景起源于对端到端自动驾驶算法评估的需求，通过引入图视觉问题回答（GVQA）方法，模拟人类推理过程，进而提高自动驾驶算法的智能水平。该数据集的创建时间为2024年，由Chonghao Sima、Katrin Renz等研究人员共同完成，对自动驾驶领域产生了显著影响。

当前挑战

在数据集构建过程中，研究团队面临了多重挑战。首先，数据集需涵盖多样化的驾驶场景，包括城市交通、违规行为及高速公路驾驶，以保证算法的泛化能力。其次，数据集的构建要求高质量的数据采集与处理，确保数据的准确性与可靠性。此外，为了适应不同的评估需求，数据集还需包含多种模态的数据，如BEV语义地图、图像、雷达点云等，增加了数据处理的复杂性。

常用场景

经典使用场景

在自动驾驶领域，PDM-Lite数据集因其对复杂城市驾驶环境的全面覆盖而备受瞩目。该数据集最经典的使用场景在于为自动驾驶系统提供高质量的训练与评估资料，特别是在CARLA仿真平台中，它为端到端自动驾驶算法的图形视觉问答（GVQA）方法提供了基础。

解决学术问题

PDM-Lite数据集解决了自动驾驶领域中的多个学术研究问题，如如何在多样化的城市交通环境中进行有效的感知、预测与规划。通过引入GVQA方法，该数据集助力研究人员模拟人类的推理过程，进而提升自动驾驶算法的决策能力。

实际应用

在实际应用中，PDM-Lite数据集已被用于训练Transfuser++算法，并在CARLA Autonomous Driving Challenge 2024中取得了显著成绩。其多样化的场景和详实的数据模态为自动驾驶系统在实际交通环境中的应用提供了有力支撑。

数据集最近研究

最新研究方向

在自动驾驶领域，PDM-Lite数据集凭借其高质量的规则基础专家系统，在CARLA Leaderboard 2.0中成功导航所有场景，成为研究的热点。该数据集不仅用于构建DriveLM-Carla基准，引入了图视觉问答（GVQA）这一新颖方法，模拟人类的推理过程，还用于训练Transfuser++模型，该模型通过模仿学习在CARLA Autonomous Driving Challenge 2024中取得了优异成绩。这表明，PDM-Lite数据集在推动自动驾驶算法的感知、预测和规划方面具有重要影响，为未来自动驾驶技术的发展提供了有力支撑。