SynFlow-4k

SynFlow-4k是由瑞典皇家理工学院和香港科技大学联合开发的大规模合成数据集，专为LiDAR场景流估计设计。该数据集包含4000个序列（约94万帧），通过CARLA模拟器生成，覆盖多样化的道路拓扑和运动模式，标注量达到现有真实数据集的34倍。其创新之处在于采用运动导向的生成策略，优先考虑几何和时序交互复杂性而非传感器特异性真实感。数据集通过精确的物理引擎计算稠密无噪声的场景流标签，为自动驾驶中的3D运动感知提供了高效的预训练基础，显著降低了对真实标注数据的依赖。

SynFlow-4k is a large-scale synthetic dataset jointly developed by the Royal Institute of Technology (KTH) and the Hong Kong University of Science and Technology (HKUST), purpose-built for LiDAR scene flow estimation. This dataset comprises 4,000 sequences (approximately 940,000 frames), generated using the CARLA simulator, covering diverse road topologies and motion patterns, with an annotation scale 34 times that of existing real-world datasets. Its core innovation lies in adopting a motion-oriented generation strategy, which prioritizes the complexity of geometric and temporal interactions over sensor-specific photorealism. The dataset leverages precise physics engines to compute dense, noise-free scene flow labels, serving as an efficient pre-training foundation for 3D motion perception in autonomous driving and significantly reducing the dependence on real-world annotated data.

原始信息汇总

SynFlow数据集概述

数据集名称

SynFlow（SynFlow-4k）

核心内容

Scaling Up LiDAR Scene Flow Estimation with Synthetic Data

作者

Qingwen Zhang, Xiaomeng Zhu, Chenhan Jiang, Patric Jensfelt

机构

KTH, HKUST

数据集描述

• 性质：合成的、完美标注的LiDAR场景流数据。
• 生成工具：利用CARLA模拟器构建的数据生成管道。
• 优势：提供多样化、可扩展的密集无噪声监督数据源，用于学习鲁棒的运动先验。解决了真实世界数据集标注成本高、场景多样性有限的问题。
• 用途：用于训练模型，以实现对真实世界基准的强零样本泛化。当在少量真实数据子集上进行微调时，其性能显著优于域内基线模型。

数据规模

SynFlow-4k

数据场景

包含模拟城镇路线，涵盖：

• Urban Driving Scenarios（城市驾驶场景）
• Highway Driving Scenarios（高速公路驾驶场景）
• Rural & Suburban Scenarios（乡村与郊区场景）

效果展示

在真实数据集（如TruckScenes）上的定性比较表明，仅使用SynFlow-4k训练的零样本模型，其产生的运动模式更接近真实情况，在转弯动力学下更连贯。相比之下，域内模型在相同物体上表现出较不一致的运动，这可能是由于真实标注数据有限所致。

相关资源

• 论文：SynFlow: Scaling Up LiDAR Scene Flow Estimation with Synthetic Data
• 预印本：arXiv preprint arXiv:2604.09411
• 代码与数据：生成管道代码和数据集将在同行评审后公开提供。

引用格式

bibtex @article{zhang2026synflow, author = {Zhang, Qingwen and Zhu, Xiaomeng and Jiang, Chenhan and Jensfelt, Patric}, title = {SynFlow: Scaling Up LiDAR Scene Flow Estimation with Synthetic Data}, journal = {arXiv preprint arXiv:2604.09411}, year = {2026}, }

搜集汇总

数据集介绍

构建方式

在自动驾驶领域，激光雷达场景流估计面临密集运动标注稀缺的挑战。SynFlow-4k数据集通过创新的合成数据生成流程构建，该流程基于CARLA模拟器，采用运动导向策略而非追求传感器级真实感。生成过程系统性地实施了拓扑离散化、速度机制覆盖与多智能体交互三大核心策略，主动程序化交通密度、高速运动模式及复杂拓扑交互，在九个地图中合成了约94万帧、涵盖4000个序列的大规模标注数据，其标注规模达到现有真实数据集的34倍以上。

使用方法

SynFlow-4k数据集为激光雷达场景流研究提供了两种高效的应用范式。其一，作为零样本泛化的预训练源，模型可完全在该合成数据上进行训练，随后直接评估于不同的真实世界传感器数据，以验证运动先验的迁移能力。其二，作为标签高效的预训练基础，模型首先在SynFlow-4k上进行充分训练，随后仅需使用少量（如5%）的真实世界标注数据进行微调，即可超越从零开始在全部可用真实数据上训练的基线模型性能，显著降低对昂贵真实标注的依赖。

背景与挑战

背景概述

激光雷达场景流估计是自动驾驶动态感知的核心任务，旨在预测连续点云间的密集三维运动场，为下游规划与交互提供几何中心的动态环境表征。然而，该领域长期受限于高质量稠密运动标注的稀缺性，因为真实世界数据的标注成本极高且难以规模化。为突破这一瓶颈，由瑞典皇家理工学院与香港科技大学的研究团队于2026年提出的SynFlow-4k数据集，通过CARLA仿真平台构建了一个专注于运动学多样性的合成数据引擎。该数据集包含约94万帧标注序列，规模达到现有真实世界基准的34倍，其核心研究问题在于探索能否完全通过可扩展的仿真学习到鲁棒的运动先验，从而减少对昂贵真实标注的依赖，推动通用化三维运动估计的发展。

当前挑战

SynFlow-4k数据集致力于解决激光雷达场景流估计领域的两大核心挑战。在领域问题层面，场景流估计需要模型能够泛化至任意动态元素，但真实世界标注的稀缺使得监督学习受限，而基于几何一致性的自监督方法则因代理信号噪声大、约束不足，难以通过单纯扩大未标注数据规模来弥合性能差距。在构建过程层面，创建大规模合成数据需克服传统合成管道过度追求传感器特定真实性而忽视运动学复杂性的局限。SynFlow-4k通过运动导向的生成策略，主动程序化交通密度、速度机制与拓扑交互，以涵盖多样运动模式，但如何确保合成运动模式能有效迁移至不同真实传感器配置，以及如何建模非刚性运动（如行人）的复杂性，仍是构建中需要持续优化的挑战。

常用场景

经典使用场景

在自动驾驶领域，激光雷达场景流估计旨在预测连续点云间的密集三维运动，为动态环境理解提供几何中心的表征。SynFlow-4k数据集通过其大规模合成数据，为这一任务提供了经典且高效的训练范式。该数据集最经典的使用场景是作为预训练基础，模型可完全在其提供的合成监督信号下进行训练，随后以零样本方式迁移至nuScenes、TruckScenes等真实世界基准数据集。这种范式有效绕过了真实数据标注昂贵且稀疏的瓶颈，使得模型能够从海量、无噪声的完美运动标注中学习到鲁棒的运动先验，从而在未见过的真实传感器数据上展现出卓越的泛化能力。

解决学术问题

SynFlow-4k数据集主要解决了激光雷达场景流研究中的两大核心学术问题：一是密集三维运动标注稀缺所导致的学习瓶颈，二是自监督方法因代理信号噪声而存在的性能天花板。该数据集通过可扩展的仿真生成策略，提供了比现有真实世界标注数据量高出34倍的监督资源，从而为模型学习提供了充足且高质量的运动信号。其意义在于验证了从仿真中学习物理一致的运动关系具有高度的领域不变性，能够有效弥合仿真与现实的鸿沟。这一突破性进展推动了学界重新思考三维运动监督的获取方式，为通用化动态三维场景理解开辟了新的研究路径。

实际应用

SynFlow-4k数据集的实际应用价值在自动驾驶系统的动态感知模块中尤为突出。它为激光雷达场景流估计模型提供了强大的初始化基础，能够显著降低对昂贵真实标注数据的依赖。在实际部署中，利用该数据集预训练的模型，仅需使用5%的真实标注进行微调，其性能即可超越从零开始在全部可用真实数据上训练的基线模型。这种标签高效的特性使得在数据稀缺或长尾场景（如罕见交通参与者交互）下快速开发高性能感知系统成为可能，为提升自动驾驶车辆在复杂动态环境中的预测与规划可靠性提供了关键的数据支撑。

数据集最近研究

最新研究方向

在自动驾驶领域，三维动态感知的核心挑战在于获取密集且高质量的运动标注，而SynFlow-4k数据集的推出标志着激光雷达场景流估计研究范式的转变。该数据集通过基于CARLA模拟器的运动导向生成策略，合成了涵盖复杂交通交互的4000个序列，其标注规模达到现有真实世界基准的34倍，为学习领域不变的运动先验提供了可扩展的监督源。前沿研究聚焦于利用合成数据实现零样本泛化，模型仅依赖SynFlow-4k训练即可在nuScenes和TruckScenes等真实基准上匹配甚至超越监督基线的性能，同时作为标签高效的预训练基础，仅需5%的真实标注进行微调便能显著提升模型表现。这一进展不仅缓解了真实数据标注的瓶颈，还通过补充长尾交互的运动密度，推动了可泛化三维运动估计的发展，为自动驾驶的可靠动态感知奠定了坚实基础。

相关研究论文

• SynFlow: Scaling Up LiDAR Scene Flow Estimation with Synthetic Data

  瑞典皇家理工学院·机器人感知与学习实验室; 香港科技大学 · 2026年