RaDelft

RaDelft数据集是由荷兰代尔夫特理工大学创建的一个大规模、真实世界的多元传感器数据集，专门用于汽车雷达研究。该数据集包含从城市环境中不同驾驶场景中收集的数据，涵盖了ADC级数据、雷达立方体和点云数据，支持多种研究方向。数据集的创建过程涉及使用配备多种传感器的演示车辆进行数据采集，确保数据的多样性和真实性。RaDelft数据集主要应用于汽车雷达目标检测和深度学习模型的训练，旨在解决现有雷达数据集在复杂环境下的检测性能不足问题。The RaDelft dataset is a large-scale, real-world multi-sensor dataset created by Delft University of Technology in the Netherlands, specifically dedicated to automotive radar research. It contains data collected from diverse driving scenarios in urban environments, covering ADC-level data, radar cubes, and point cloud data, thus supporting multiple research directions. The dataset was constructed using a demonstration vehicle equipped with various sensors for data acquisition, which guarantees the diversity and authenticity of the collected data. The RaDelft dataset is primarily applied to automotive radar target detection and the training of deep learning models, aiming to address the insufficient detection performance of existing radar datasets in complex environments.

搜集汇总

数据集介绍

构建方式

在自动驾驶雷达感知领域，高质量数据集的构建是推动算法进步的关键。RaDelft数据集通过搭载高分辨率成像雷达、激光雷达、摄像头及里程计的多传感器演示车辆，在荷兰代尔夫特市区的多种真实驾驶场景中采集而成。数据采集过程严格遵循传感器联合标定与时间同步规范，确保了多模态数据在时空维度上的一致性。该数据集不仅提供了原始ADC级数据，还包含了经过信号处理生成的雷达数据立方体及点云，形成了从底层信号到高层语义的完整数据层级，为不同研究方向的研究者提供了灵活的数据接入点。

特点

RaDelft数据集的核心特点在于其全面性与真实性。它首次公开提供了来自商业4D成像雷达的原始ADC数据，填补了现有公开数据集在该层面的空白，为雷达信号处理专家进行底层算法研究创造了条件。数据集包含超过16975帧同步的雷达与激光雷达数据，覆盖郊区、校园、老城区等多种复杂环境，确保了场景的多样性与代表性。其多层级的数据组织形式（ADC、数据立方体、点云）兼顾了不同背景研究者的需求，而配套的详细文档与示例代码则极大地降低了数据使用的门槛。

使用方法

该数据集为自动驾驶环境感知，特别是雷达信号处理与深度学习算法的研究提供了丰富的资源。研究者可利用其同步的激光雷达点云作为监督信号，训练端到端的雷达目标检测或点云生成神经网络，如论文中提出的数据驱动检测器。对于信号处理领域，原始的ADC数据使得研究者能够从头设计并验证新的波束成形、角度估计或干扰抑制算法。同时，提供的数据立方体可直接用于开发或评估在距离-多普勒-角度域工作的检测与分类模型。数据集严格的时间同步与标定信息，也支持开展多传感器融合方面的前沿探索。

背景与挑战

背景概述

在自动驾驶环境感知技术领域，雷达传感器凭借其在恶劣天气条件下的卓越性能，成为车辆自主系统的关键组件。RaDelft数据集由代尔夫特理工大学的微波传感、信号与系统研究组及智能车辆研究组于2024年联合创建，旨在解决高分辨率汽车雷达在复杂场景中检测多扩展目标的核心问题。该数据集通过搭载演示车辆在代尔夫特市区多种真实驾驶场景中采集，包含同步的激光雷达、摄像头及里程计数据，并以原始ADC数据、雷达立方体及点云等多层次形式公开，为雷达信号处理与机器学习研究提供了宝贵的现实世界基准，显著推动了自动驾驶感知系统的算法创新与性能评估。

当前挑战

RaDelft数据集致力于应对汽车雷达目标检测领域的双重挑战。在领域问题层面，传统恒虚警率检测器在动态交通环境中面临性能局限，难以适应目标尺寸随距离变化的扩展特性，以及非均匀杂波与目标遮蔽等复杂干扰，导致点云生成质量不足。在构建过程中，数据集采集需克服多传感器时空同步、雷达阵列稀疏性带来的高程估计困难，以及原始ADC数据中多普勒模糊与相位迁移的校正难题，同时确保激光雷达点云与雷达数据在非均匀球面网格上的精确对齐，以提供可靠的监督信号。

常用场景

经典使用场景

在自动驾驶环境感知领域，RaDelft数据集为高分辨率汽车雷达信号处理研究提供了关键支撑。该数据集最经典的应用场景在于训练和验证基于深度学习的雷达目标检测器，特别是针对复杂城市道路环境中扩展目标的识别。研究者利用其同步采集的雷达原始数据与激光雷达点云作为监督信号，开发能够生成类激光雷达点云的神经网络模型，有效解决了传统恒虚警率检测器在动态交通场景中性能不足的难题。

实际应用

在实际应用层面，基于RaDelft数据集开发的检测算法可直接部署于高级驾驶辅助系统和自动驾驶车辆。其生成的高密度雷达点云能够准确描绘车辆、行人、自行车等交通参与者的轮廓与空间位置，即使在雾、雨等恶劣天气或低光照条件下也能保持稳定感知能力。这种增强的雷达感知能力为车辆决策规划模块提供了更可靠的环境表征，有效弥补了视觉和激光雷达传感器的局限性，提升了全天候、全场景下的行车安全性。

衍生相关工作

RaDelft数据集的发布催生了多项雷达感知领域的创新研究。其最直接的衍生工作即论文中提出的数据驱动检测器，该网络架构融合了多普勒编码、特征金字塔与时空相干模块。此外，数据集支撑了针对TDMA模式相位迁移补偿、稀疏阵列角度估计优化等底层信号处理算法的改进研究。在更高层次的应用中，该数据集还被用于开发基于雷达点云的多目标跟踪、语义分割以及跨模态融合感知系统，为构建更鲁棒的自动驾驶环境理解框架奠定了数据基础。