CoSEC

CoSEC数据集由华中科技大学人工智能与自动化学院多光谱信息智能处理技术国家重点实验室创建，专注于自动驾驶场景下的多模态数据融合。数据集包含帧、事件、LiDAR、IMU和RTK GNSS数据，覆盖全天候场景。创建过程中，通过微控制器实现时间同步，并对不同传感器进行空间校准。CoSEC数据集的应用领域主要集中在提高自动驾驶系统在低光照等恶劣条件下的感知性能和泛化能力。The CoSEC dataset was developed by the State Key Laboratory of Intelligent Processing for Multispectral Information, School of Artificial Intelligence and Automation, Huazhong University of Science and Technology, focusing on multimodal data fusion in autonomous driving scenarios. The dataset encompasses frame, event, LiDAR, IMU and RTK GNSS data, covering all-weather operating scenarios. During its construction, time synchronization was achieved via a microcontroller, and spatial calibration was performed across different sensors. The main application scenarios of the CoSEC dataset center on improving the perception performance and generalization ability of autonomous driving systems under harsh conditions including low-light environments.

搜集汇总

数据集介绍

构建方式

CoSEC数据集的构建采用了混合同轴事件-帧设备，以实现不同模态传感器之间的时空对齐。该数据集通过微控制器实现时间同步，并通过空间校准对立体同轴设备进行内部和外部校准，以确保像素级空间对齐。此外，为了生成深度和光流标签，该数据集使用了激光雷达点云，并使用参考深度进一步改进，在夜间条件下通过融合对齐的事件和帧数据来提高准确性。

特点

CoSEC数据集的特点在于其全天候的像素级多模态融合能力。该数据集融合了对齐的事件和帧数据，提高了夜间条件下深度和光流标签的准确性。此外，数据集的构建考虑了基线最小化，以减少事件相机和帧相机之间的空间对齐误差。

使用方法

使用CoSEC数据集时，首先需要对数据进行预处理，包括时间同步和空间校准。然后，可以使用对齐的事件和帧数据以及激光雷达点云来生成深度和光流标签。最后，可以使用这些标签来训练和评估多模态融合模型。

背景与挑战

背景概述

CoSEC数据集的研究背景是自动驾驶场景感知中的多模态融合问题。随着自动驾驶技术的发展，传统的帧相机在不良条件下（如低光环境）的表现受到限制。事件相机因其高动态范围和高速率的特点，被用于辅助帧相机进行多模态融合。然而，现有的多模态数据集主要将事件相机和帧相机并行放置，并通过扭曲操作直接进行空间对齐。这种方法对于多模态融合的效果不佳，因为事件-帧相机基线较大，导致空间对齐误差增大。CoSEC数据集旨在解决这一问题，它引入了混合同轴事件-帧设备，并构建了同轴立体事件相机数据集，用于自动驾驶研究。该数据集由华中科技大学人工智能与自动化学院的多光谱信息智能处理技术国家重点实验室的研究人员于2024年8月提出，旨在促进全天候像素级多模态融合，并通过实验验证了其数据集在提高多模态融合性能和泛化能力方面的优越性。

当前挑战

CoSEC数据集面临的挑战包括：1)解决领域问题：事件相机和帧相机之间的像素级空间对齐对于多模态融合至关重要。现有方法主要采用并行放置策略，这会导致较大的事件-帧相机基线，从而增加像素偏移，限制空间对齐的准确性。2)构建过程中遇到的挑战：为了解决上述问题，CoSEC数据集采用了同轴事件-帧设备，并进行了时间同步和空间校准。在时间同步方面，利用微控制器和GNSS信号进行校准；在空间校准方面，首先进行单个同轴设备内的自校准，然后进行立体同轴设备之间的互校准，最后对其他传感器进行校准。此外，CoSEC数据集还采用了事件-帧融合策略，以提高夜间低光照条件下的深度和光流标签的准确性。

常用场景

经典使用场景

在自动驾驶场景中，CoSEC数据集被广泛用于多模态融合研究。该数据集融合了事件相机、帧相机、激光雷达（LiDAR）和惯性测量单元（IMU）的数据，为研究人员提供了丰富的时空对齐信息。特别是在夜间或低光环境下，事件相机的高动态范围和高时间分辨率特性使得其在感知场景动态变化方面具有显著优势，而CoSEC数据集通过融合事件相机和帧相机数据，有效提升了深度和光流标签的准确性，为自动驾驶场景感知提供了强有力的支持。

解决学术问题

CoSEC数据集解决了自动驾驶领域中的多模态融合问题。传统的帧相机在低光等恶劣条件下性能受限，而事件相机的高动态范围特性使其在辅助帧相机进行多模态融合方面具有潜力。然而，现有的多模态数据集大多采用并行放置事件相机和帧相机，并通过扭曲操作进行空间对齐，这种策略在事件-帧相机基线较大的情况下效果不佳。CoSEC数据集通过引入混合同轴事件-帧设备，最小化了事件-帧相机基线，从而降低了空间对齐误差，为多模态融合提供了更准确的数据支持。

衍生相关工作

CoSEC数据集的提出，推动了自动驾驶领域多模态融合研究的进一步发展。基于CoSEC数据集，研究人员可以开展更深入的多模态融合算法研究，探索事件相机和帧相机在自动驾驶场景中的最佳融合策略。此外，CoSEC数据集的夜间增强策略也为低光环境下的自动驾驶感知提供了新的思路，有望推动相关技术的发展和应用。