DopplerTrack

该数据集用于FMCW LiDAR的移动物体跟踪，包含动态点云数据、原始二进制数据和原始注释数据。数据集分为四个子集：Aeva-car、Aq-car、Intersection和Straight。注释文件采用.json格式，使用SUSTechPOINTS标注工具生成。

This dataset is designed for FMCW LiDAR-based moving object tracking and encompasses dynamic point cloud data, raw binary data, and raw annotation data. The dataset is divided into four subsets: Aeva-car, Aq-car, Intersection, and Straight. The annotation files are in the . format and were generated using the SUSTechPOINTS annotation tool.

原始信息汇总

DopplerTrack 数据集概述

1. 数据集简介

• 数据集名称：DopplerTrack
• 核心功能：用于FMCW LiDAR移动物体跟踪的数据集
• 主要特点：
  • 利用多普勒速度进行点云预处理
  • 支持高效物体检测（O(N)复杂度）
  • 支持物体运动方向分析和全速度向量重建

2. 数据集内容

2.1 数据目录结构

├── dynamic_pcd │ ├── Aeva-car │ ├── Aq-car │ ├── Intersection │ └── Straight ├── original_bin │ ├── Aeva-car │ ├── Aq-car │ ├── Intersection │ └── Straight ├── original_annotation │ ├── Aeva-car │ ├── Aq-car │ ├── Intersection │ └── Straight └── README.md

2.2 数据集子集

• Aeva-car
• Aq-car
• Intersection
• Straight

2.3 标注信息

• 格式：JSON
• 标注工具：SUSTechPOINTS（3D点云标注平台）
• 兼容性：支持在SUSTechPOINTS中可视化原始标注和输出结果

3. 获取方式

• 获取流程：
  1. 填写数据请求表单（Google Form）
  2. 通过邮件接收下载链接
• 请求表单地址：https://docs.google.com/forms/d/e/1FAIpQLSc2T57lVPA2QQ2BXVziZfxVbae0rwpnx1lm-ydJEMg_J5TYSQ/viewform?usp=dialog

4. 使用说明

4.1 运行方式

bash roslaunch dopplertrack dopplertarck_<dataset>.launch

• 可选数据集参数：straight, intersection, aq-car, aeva-car

4.2 评估方法

bash cd eval python eval.py <dataset>

• 评估指标：基于点的IoU计算方法
• 评估库：修改版的py-motmetrics

5. 许可信息

• 代码许可：MIT License
• 数据许可：CC BY-NC-SA 4.0
• 数据许可详情文件：DATA_LICENSE.md

6. 相关资源

• 标注工具：https://github.com/naurril/SUSTechPOINTS
• 参考项目：
  • CVC Cluster（检测）
  • hungarian_optimizer（匹配）

搜集汇总

数据集介绍

构建方式

DopplerTrack数据集构建依托于FMCW LiDAR技术，通过高效利用多普勒速度信息实现点云预处理与目标检测。数据采集覆盖四种典型场景，包括直线道路、交叉路口及两种车型动态数据，确保场景多样性。原始点云数据以二进制格式存储，标注文件采用JSON格式，借助SUSTechPOINTS标注工具完成三维点云标注，保证标注精度与一致性。数据集构建过程注重计算效率，算法复杂度控制在O(N)级别，为移动端实时处理提供可能。

特点

该数据集核心特征在于完整保留了FMCW LiDAR的多普勒速度信息，为运动物体追踪研究提供独特维度。数据集包含动态点云、原始二进制数据及标注文件三重模态，支持端到端的算法开发与验证。四种场景数据涵盖不同运动模式与复杂程度，其中交叉路口场景包含多目标交互情况，有效考验算法鲁棒性。标注体系兼容主流可视化工具，支持结果对比分析，且数据采集频率达120Hz，满足高时效性研究需求。

使用方法

使用该数据集需通过官方表单申请获取权限，下载后替换项目中的data目录即可。数据集运行依赖ROS环境，通过指定launch文件加载不同场景数据，如dopplertrack_aq_car.launch启动对应车型实验。评估环节采用改进的py-motmetrics库，基于点云交并比计算跟踪精度。用户可通过eval.py脚本输入场景名称进行性能评估，原始标注与预测结果均支持在SUSTechPOINTS平台可视化比对，便于算法调试与分析。

背景与挑战

背景概述

DopplerTrack数据集由Yubin Zeng等人于2025年提出，旨在解决调频连续波（FMCW）激光雷达在移动目标跟踪中的关键问题。该数据集依托于IROS2025会议发表的创新性研究，通过利用多普勒速度信息实现高效的点云预处理和目标检测，其算法复杂度仅为O(N)，显著提升了计算效率。研究团队在四个不同场景的数据集上验证了方法的优越性，不仅超越了传统无学习和基于学习的方法，更在移动CPU上实现了120Hz的实时处理性能，为自动驾驶、机器人导航等领域的实时运动目标跟踪提供了重要基准。

当前挑战

DopplerTrack数据集面临的挑战主要体现在两方面：其一，在领域问题层面，传统激光雷达跟踪方法难以有效利用多普勒速度信息进行运动预测，导致复杂场景下目标轨迹重建精度不足；其二，在构建过程中，数据标注需兼容SUSTechPOINTS工具的三维点云标注规范，且需覆盖动态交通场景（如交叉路口、直线道路）中多类型移动目标（车辆等）的完整速度向量重建，这对数据采集同步性、标注一致性和场景多样性提出了极高要求。

常用场景

经典使用场景

DopplerTrack数据集在移动目标追踪领域展现出卓越的应用价值，尤其在调频连续波激光雷达（FMCW LiDAR）环境下。该数据集通过多普勒速度信息实现高效点云预处理和目标检测，复杂度仅为O(N)，为实时追踪系统提供了可靠的数据支持。其经典使用场景包括自动驾驶中的车辆追踪、行人监测以及复杂交通环境下的多目标运动分析，为动态场景理解奠定了坚实基础。

解决学术问题

DopplerTrack数据集有效解决了移动目标追踪中的关键学术挑战。传统方法在复杂场景下往往面临计算效率低下和精度不足的问题，而该数据集通过重构物体完整速度矢量，实现了更直接精确的运动预测。其提供的四种场景数据（包括直线道路和交叉路口等）显著提升了算法在多样化环境中的泛化能力，为学习无关方法设定了新的性能基准，推动了运动目标追踪领域的理论突破。

衍生相关工作

基于DopplerTrack数据集已衍生出多项创新研究。在目标检测领域，研究者借鉴其O(N)复杂度预处理方法开发了更高效的算法架构；在运动预测方向，其速度矢量重构技术启发了多模态传感器融合的新思路。该数据集还与SUSTechPOINTS标注系统深度兼容，促进了3D点云标注标准的统一，推动了整个自动驾驶感知研究社区的协同发展。