Curb Dataset

Curb Dataset是为自动驾驶系统中的路缘检测而创建的数据集，由华为诺亚方舟实验室开发。该数据集基于LiDAR数据，包含23,201帧数据，总计55,013个路缘实例和23,149,310个路缘点。创建过程中，首先通过SLAM和语义分割生成语义高清晰度地图（SHD map），然后去除动态噪声生成道路高清晰度地图（RHD map），最终通过一系列路缘点提取和增长得到路缘实例地图（CI map）。该数据集旨在解决自动驾驶中的路缘检测问题，特别是在复杂场景下的鲁棒性检测需求。

The Curb Dataset is a specialized dataset developed by Huawei Noah's Ark Lab for curb detection in autonomous driving systems. Built upon LiDAR data, it consists of 23,201 frames, with a total of 55,013 curb instances and 23,149,310 curb points. The dataset construction workflow first generates semantic high-definition maps (SHD maps) via SLAM and semantic segmentation, then removes dynamic noise to produce road high-definition maps (RHD maps), and finally obtains curb instance maps (CI maps) through a series of curb point extraction and growth processes. This dataset is designed to tackle the curb detection problem in autonomous driving, especially addressing the need for robust detection performance in complex scenarios.

搜集汇总

数据集介绍

构建方式

在自动驾驶领域，路缘石作为道路结构的关键要素，其精确检测对车辆运动规划至关重要。Curb Dataset的构建采用了一种高效的两阶段标注方法，以解决单帧激光雷达数据中因遮挡或稀疏性导致的标注难题。首先，通过同步位姿数据将连续多帧激光雷达点云融合，并应用同步定位与建图（SLAM）技术及语义分割网络，生成全局语义高精地图（SHD map）。随后，移除地图中的动态物体噪声，形成道路高精地图（RHD map），进而利用基于二维网格的候选点提取算法和双生长策略的聚类方法，从RHD map中识别并聚合路缘石实例，最终构建出路缘石实例地图（CI map）。该地图通过位姿数据投影回单帧激光雷达坐标系，实现自动化的点级和实例级标注，显著提升了标注效率和完整性。

使用方法

Curb Dataset为自动驾驶中的路缘石检测任务提供了多方面的应用支持。在语义分割任务中，用户可将标注数据与原始点云结合，训练模型以识别路缘石类别，提升道路环境感知的细粒度。对于实例分割任务，数据集支持基于鸟瞰图表示的编码方法，结合U-net等网络架构，实现路缘石实例的聚类与提取。研究人员可利用该数据集进行算法验证，通过精确率、召回率等指标评估模型性能。数据集遵循SemanticKITTI的格式标准，便于集成到现有工作流中，同时其公开可访问的特性促进了学术交流与技术进步。在实际应用中，该数据集有助于开发鲁棒的路缘石检测系统，增强自动驾驶车辆在复杂城市场景中的导航能力。

背景与挑战

背景概述

在自动驾驶技术迅猛发展的背景下，道路环境感知成为确保行车安全与规划精度的核心环节。路缘石作为区分道路区域与非道路区域的关键要素，其精确检测对于理解道路结构至关重要。华为诺亚方舟实验室的研究团队于2021年提出了Curb Dataset，旨在填补激光雷达数据中路缘石标注数据的空白。该数据集基于公开的SemanticKITTI数据集构建，通过创新的两阶段标注方法，实现了高度自动化的点级与实例级路缘石标注。其核心研究问题聚焦于如何高效生成大规模、高质量的路缘石标注数据，以支持基于深度学习的路缘石检测方法的发展，进而提升自动驾驶系统在复杂场景下的环境感知能力。

当前挑战

在路缘石检测领域，传统方法依赖于手工特征提取，在交叉路口、环岛及低矮路缘等复杂场景中表现不佳，且难以适应多样化的道路环境。尽管基于深度学习的方法展现出潜力，但缺乏大规模标注数据严重制约了其应用与优化。构建Curb Dataset的过程中，研究团队面临多重挑战：单帧激光雷达数据因遮挡或点云稀疏性导致路缘石部分观测，标注效率低下且易出错；多帧数据融合时需解决闭环带来的全局不一致性问题；此外，设计能够同时处理可见与遮挡路缘石的自动标注算法，并确保标注的准确性与一致性，亦是技术实现上的关键难点。

常用场景

经典使用场景

在自动驾驶领域，路缘石作为道路结构的关键元素，其精确检测对于车辆的环境感知与路径规划至关重要。Curb Dataset 通过提供大规模、高精度的激光雷达点云路缘石标注，成为深度学习模型训练与评估的基准资源。该数据集典型应用于路缘石的语义分割与实例分割任务，支持研究者开发鲁棒的检测算法，以应对复杂城市场景中因遮挡或点云稀疏性导致的识别挑战。

解决学术问题

Curb Dataset 有效解决了自动驾驶研究中路缘石检测领域标注数据匮乏的学术难题。传统基于手工特征的激光雷达检测方法在交叉路口、环岛等复杂场景中表现不佳，而深度学习方法的进展受限于高质量标注数据的缺失。该数据集通过高效的自动标注流程，提供了点级与实例级的路缘石标注，促进了基于深度神经网络的路缘石检测技术的发展，提升了模型在多变环境下的泛化能力与准确性。

实际应用

在实际应用中，Curb Dataset 为自动驾驶系统的实时路缘石检测提供了可靠的数据支撑。基于该数据集训练的模型能够集成于车载感知系统，协助车辆精确识别道路边界，增强在结构化道路（如城市街道与高速公路）上的定位与导航能力。这不仅提升了自动驾驶车辆的安全性与可靠性，还为高精度地图的构建与更新提供了技术基础，推动了智能交通系统的实际部署与优化。

数据集最近研究

最新研究方向

在自动驾驶领域，路缘石检测作为环境感知的关键环节，其数据集构建正朝着高效自动化标注方向发展。Curb Dataset的提出，通过融合SLAM与语义分割技术，实现了从连续LiDAR帧生成语义高精地图，进而提取路缘实例，显著提升了标注效率与精度。当前研究热点聚焦于利用深度学习模型处理稀疏点云数据，以克服传统手工特征方法在复杂场景下的局限性。该数据集的发布为路缘实例分割与语义分割任务提供了可靠基准，推动了自动驾驶系统在道路结构理解方面的技术进步，具有重要的工程应用价值。

相关研究论文

• How to Build a Curb Dataset with LiDAR Data for Autonomous Driving

  华为诺亚方舟实验室 · 2021年