OMA

OMA数据集是首个用于混合导航在线地图关联的基准数据集，由北京航空航天大学和阿里巴巴集团共同创建。该数据集基于nuScenes和OpenStreetMap，包含超过30K个场景、480K条道路和260K条车道级路径。数据集通过自动标注、手动校准和多阶段验证，提供了高质量的标注。OMA旨在解决自主车辆导航中标准定义地图与在线高定义地图关联的问题，通过学习函数将高定义地图中心线与标准定义地图中的道路进行对应。OMA数据集为评估模型性能提供了相应的度量标准，并在混合导航领域具有广泛应用前景。

The OMA dataset is the first benchmark dataset for online map association in hybrid navigation, co-developed by Beihang University and Alibaba Group. Built upon nuScenes and OpenStreetMap, this dataset contains over 30K scenarios, 480K road segments, and 260K lane-level paths. The dataset provides high-quality annotations via automatic labeling, manual calibration, and multi-stage validation. OMA aims to address the problem of associating standard definition maps with online high-definition maps in autonomous vehicle navigation, by learning a function that matches the centerlines of high-definition maps to the roads in standard definition maps. The OMA dataset provides corresponding evaluation metrics for model performance assessment, and has broad application prospects in the field of hybrid navigation.

原始信息汇总

数据集概述

基本信息

• 数据集名称：OMA-MAT
• 当前状态：待发布

发布信息

• 数据集和代码正在接受企业合规审查。
• 审查完成后将尽快发布数据集和代码。

搜集汇总

数据集介绍

构建方式

OMA数据集是基于nuScenes和OpenStreetMap构建的，专注于自动驾驶领域中的高清地图（HD Map）与标准地图（SD Map）的关联任务。该数据集通过自动化标注流程结合人工校准，确保了高精度的道路-车道匹配标注。具体而言，首先利用GPS坐标对HD和SD地图进行初步对齐，随后通过人工调整解决由GPS误差或地图投影差异导致的错位问题。此外，数据集还采用了基于Map Association Transformer (MAT)的自动化标注管道，并经过专业标注人员的几何和拓扑调整，以满足实际部署需求。

特点

OMA数据集包含超过30,000个场景，涵盖480,000条道路和260,000条车道级路径，具有丰富的地理和拓扑多样性。其独特之处在于提供了HD-SD地图对的精确关联标注，并引入了Association P-R评估指标，该指标综合考虑了拓扑对齐的准确性和精确性。数据集还分为OMA（基于预测HD地图）和OMA-GT（基于真实HD地图）两个子集，以评估算法在不同地图质量下的鲁棒性。此外，OMA数据集支持长距离路径关联和复杂拓扑结构的建模，为自动驾驶导航系统提供了全面的基准测试环境。

使用方法

OMA数据集主要用于评估和开发自动驾驶中的地图关联算法。研究人员可以使用该数据集训练模型，学习将在线HD地图的车道中心线与全局SD地图的道路进行关联。数据集提供的Association P-R指标可用于量化模型的性能，包括关联精度（A-P）、召回率（A-R）和F1分数（A-F1）。此外，数据集支持多种输入格式，包括矢量化的道路、车道和边界表示，便于与基于Transformer的架构（如MAT）集成。用户还可以通过OMA和OMA-GT子集分别测试算法在噪声环境和理想环境下的表现，从而全面评估模型的鲁棒性和泛化能力。

背景与挑战

背景概述

OMA（Online Map Association）数据集由北京航空航天大学与阿里巴巴集团高德地图团队于2025年联合发布，旨在解决自动驾驶领域全局标准定义地图（SD Map）与局部高精地图（HD Map）的关联问题。该数据集基于nuScenes和OpenStreetMap构建，包含超过30,000个场景、48万条道路和26万条车道级路径，通过自动化标注与人工校准相结合的方式实现高精度路网匹配。作为首个面向混合导航的在线地图关联基准，OMA通过引入路径感知注意力机制与空间注意力机制，显著提升了自动驾驶车辆在复杂道路拓扑中的规划能力，填补了传统方法在几何对应与拓扑一致性建模方面的空白。

当前挑战

OMA数据集面临三重核心挑战：其一，车辆定位误差与SD地图精度不足导致的GPS偏移问题（平均偏移达1-3米），使得基于位置的KNN匹配方法准确率不足47.9%；其二，在线高精地图因遮挡或干扰产生的中心线缺失（占比12.7%）与噪声（占比8.3%）问题，导致传统隐马尔可夫模型（HMM）的A-F1分数仅达36.0%；其三，数据构建过程中需解决多源地图坐标系统差异（如OSM与nuScenes投影偏差）、动态场景下拓扑结构突变（交叉口变化率23.4%）以及大规模标注一致性（人工校验耗时占比60%）等工程难题。

常用场景

经典使用场景

在自动驾驶领域，OMA数据集被广泛用于评估和优化高精度地图（HD Map）与标准定义地图（SD Map）之间的关联算法。通过提供480k道路和260k车道路径的标注数据，OMA支持研究人员开发能够在复杂道路环境中实现精确车道级导航的模型。其典型应用场景包括自动驾驶车辆的路径规划系统，特别是在需要将全局SD地图与局部HD地图进行动态关联的混合导航任务中。

解决学术问题

OMA数据集解决了自动驾驶研究中高精度地图与标准地图关联的技术难题。传统方法如KNN和HMM在处理GPS偏移、车道线缺失和噪声时表现不佳，而OMA通过提供大规模标注数据集和专用评估指标Association P-R，显著提升了模型在几何和拓扑对应关系理解上的性能。该数据集填补了深度学习在此领域的空白，并为后续研究提供了可靠的基准。

衍生相关工作

基于OMA数据集，研究者提出了Map Association Transformer（MAT）等创新模型，其双注意力机制（路径感知注意力和空间注意力）已成为处理矢量化地图关联的新范式。该工作启发了后续如HDMapNet、VectorMapNet等在线地图构建研究，并推动了OpenStreetMap与nuScenes等开源项目的多模态数据融合。