thalesgroup/passage

该数据集是一个用于路径规划研究的多分辨率高程数据集，包含从64x64到4096x4096的不同分辨率配置。每个样本包括二进制张量数据、基于A*算法的路径规划图像（如高程、能量和坡度路径）以及对应的路径坐标列表。数据集划分为训练、校准、验证和测试集，并提供了详细的元数据，如地理瓦片信息、裁剪区域、起点和终点标记、障碍物设置、求解器配置（如A*算法参数）和路径计算结果（如路径长度、成本和时间统计）。数据集适用于机器学习模型训练，用于路径规划、地形分析和算法评估任务。

This dataset is a multi-resolution elevation dataset for path planning research, containing configurations ranging from 64x64 to 4096x4096. Each sample includes binary tensor data, path planning images based on A* algorithms (e.g., elevation, energy, and slope paths), and corresponding path coordinate lists. The dataset is split into training, calibration, validation, and test sets, and provides detailed metadata such as geographic tile information, crop regions, start and end point markers, obstacle settings, solver configurations (e.g., A* algorithm parameters), and path computation results (e.g., path length, cost, and timing statistics). It is suitable for training machine learning models for tasks like path planning, terrain analysis, and algorithm evaluation.

搜集汇总

数据集介绍

构建方式

该数据集以多尺度栅格化方式构建，涵盖从64×64至4096×4096像素的八种分辨率配置。每条数据对应一个地理地形区块，通过数字高程模型提取高程、坡度和能量代价等栅格张量。利用A*算法，在不同代价模型（高程、能量、坡度）下分别计算无障碍与含障碍环境中的最优路径，并记录路径坐标、长度与计算耗时。元数据详尽记录了区块来源、裁剪边界、起止点位置、障碍物参数以及求解器配置信息。

使用方法

推荐使用HuggingFace的datasets库加载该数据集，通过指定config_name选择分辨率版本（如'64x64'）和子集（'samples'或完整集）。加载后的样本可直接获取tensor字段用于模型输入，利用path_*序列作为路径监督标签。基于丰富的metadata字段，可灵活筛选特定地形、代价模型或障碍条件的样本，应用于地形感知路径规划、多目标优化等任务的训练与评估。

背景与挑战

背景概述

passage数据集诞生于自主导航与路径规划研究领域快速发展的背景下，由相关研究机构创建，旨在填补高保真越野环境下路径规划基准数据的空白。该数据集通过从真实数字高程模型中采集多分辨率（64×64至4096×4096）地形切片，并利用A*算法在不同代价模型（高程、能量、坡度）下求解无障碍与含障碍物的最优路径，生成了包含起始点、终点、障碍物分布及路径代价等丰富标注信息的样本。其核心研究问题聚焦于评估和提升路径规划算法在复杂地形中的泛化能力与鲁棒性，为对比不同启发式策略与代价函数提供了标准化平台，对推动自主地面车辆、机器人导航等领域的算法创新具有重要支撑作用。

当前挑战

该数据集所解决的领域问题在于，传统路径规划基准多依赖简化的二维栅格或理想化环境，难以反映真实世界的复杂地形与不规则障碍物，导致算法在野外场景中性能退化。构建过程中面临的挑战包括：需从全球不同地理位置筛选具有代表性的地形切片，确保数据多样性；精确生成多尺度高保真地形张量并处理不同来源数字高程模型间的坐标对齐与精度差异；设计合理的障碍物生成策略以模拟真实障碍分布又不引入人为偏差；以及为每个样本高效求解多代价模型下的最优路径，平衡计算成本与解的准确性。

常用场景

经典使用场景

在机器人自主导航与地理空间智能的交叉领域中，路径规划算法的性能高度依赖于高质量的环境表征数据。passage数据集创新性地整合了来自全球真实地形的数字高程模型，构建了涵盖从64x64到4096x4096多种分辨率的多尺度栅格地图，并存储为二进制张量形态。每个样本均配备了基于A*算法在无障碍与有障碍物两种条件下，分别针对高程、能量和坡度三种不同代价模型计算得到的优化路径及其元数据。该数据集的核心用途在于为学习型路径规划器的训练、评估与校准提供大规模、多样化的基准，尤其适用于研究从二维地形特征到最优导航策略的端到端映射关系。

解决学术问题

passage数据集精准地回应了复杂地形环境下路径规划研究中长期存在的两个关键难题：一是缺乏大规模、带有精确标签的真实世界训练数据，二是难以系统性地量化不同障碍物分布对规划结果的影响。通过提供超过千万量级、覆盖全球丰富地貌、并以分辨率、起始点、障碍物配置等为精细参数的样本，该数据集支持研究者深入探究地形几何特征与最优路径代价之间的内在关联。其深远意义在于，它不仅为将经典图搜索算法的最优解作为监督信号来训练高性能的神经网络规划器提供了坚实基础，也为揭示现有规划方法在应对复杂障碍物时的鲁棒性与局限性提供了宝贵的实验平台，从而推动了地理空间智能从传统几何建模向数据驱动范式的演进。

实际应用

在现实工程应用中，passage数据集所承载的知识体系展现出巨大的转化潜力。于地形勘探领域，部署于火星车或四足机器人上的轻量化神经网络可以利用基于该数据集预训练的模型，在未知崎岖环境中实时规避岩石与陡坡，估算能量消耗，并规划出安全高效的越野路径。在紧急搜救场景里，无人机系统可借助数据集中的多分辨率表征能力，快速解析灾区残垣断壁的三维结构，避开障碍，以最短时间抵达被困者位置。此外，在自动驾驶中，该数据集提供的基于高程与坡度的代价模型经验，能显著提升非结构化道路（如矿场、工地）上的自主行驶决策能力。这些应用均受益于数据集所提供的从高保真地形到最优路径之间的知识迁移。

数据集最近研究

最新研究方向

在地理空间人工智能与自主导航系统交叉的前沿疆域，passage数据集正成为推动基于地形感知的路径规划研究迈向新高度的核心引擎。该数据集以多分辨率栅格形式（从64×64至4096×4096）封装了全球真实高程数据，并附带了基于A*算法在海拔、能量与坡度三种不同代价模型下的最优路径结果，为深度强化学习与模仿学习模型提供了海量、高质量的监督信号。近年来，随着极端气候频发与行星探测热潮的兴起，该数据集因其内置的障碍物生成机制与可定制的代价函数，被广泛应用于研究地形自适应越野导航与能源高效路径规划，其精心设计的校准与验证分割更是为构建更具鲁棒性的泛化模型奠定了坚实基础，其意义在于将传统路径规划从静态地图检索推进到了动态环境感知与智能决策的新纪元。