Boreas

Boreas数据集是由多伦多大学创建的一个多季节自动驾驶数据集，涵盖了一年时间内超过350公里的行驶数据。该数据集通过在不同季节和天气条件下重复行驶同一路线来收集，包括雨和降雪等恶劣天气条件。数据集配备了高精度的传感器，如128通道Velodyne Alpha Prime激光雷达、360°Navtech CIR304-H扫描雷达和5MP FLIR Blackfly S相机，以及厘米级精度的后处理地面实况姿态。Boreas数据集主要用于支持里程计、度量定位和3D物体检测的研究，旨在解决自动驾驶车辆在不同季节和恶劣天气条件下的长期定位问题。

The Boreas Dataset is a multi-season autonomous driving dataset created by the University of Toronto, covering over 350 kilometers of driving data collected over the course of one year. This dataset is collected by repeatedly traversing the same route across different seasons and weather conditions, including adverse weather scenarios such as rain and snowfall. The dataset is equipped with high-precision sensors, including the 128-channel Velodyne Alpha Prime LiDAR, 360° Navtech CIR304-H scanning radar, and 5MP FLIR Blackfly S cameras, as well as centimeter-accurate post-processed ground-truth poses. The Boreas Dataset is primarily used to support research in odometry, metric localization, and 3D object detection, aiming to address the problem of long-term localization for autonomous vehicles across different seasons and adverse weather conditions.

搜集汇总

数据集介绍

构建方式

Boreas数据集的构建方式采用了重复驾驶路线的方法，持续一年时间收集数据，从而捕捉到了显著的季节变化和不利天气条件，如雨和下雪。数据收集平台包括128通道Velodyne Alpha Prime激光雷达、360°Navtech CIR304-H扫描雷达、5MP FLIR Blackfly S相机以及厘米级精确的后处理真实姿态。通过后处理全球导航卫星系统（GNSS）、惯性测量单元（IMU）和轮速编码器数据，结合二次校正订阅，获得了全球一致的厘米级精确真实姿态。

使用方法

Boreas数据集的使用方法包括以下步骤：首先，用户可以通过数据集的开发工具包查询每个序列中的帧和相关的真实姿态信息。其次，用户可以利用提供的便利方法去除点云中的运动失真，处理极坐标雷达扫描，并在李代数和李群表示之间进行转换。此外，开发工具包还提供了多种可视化传感器数据的方法。最后，用户可以使用排行榜中的评估脚本验证他们的算法，并在提交排行榜之前进行测试。

背景与挑战

背景概述

自动驾驶技术的研究与开发一直以来都集中在理想条件下，例如加利福尼亚州旧金山或亚利桑那州凤凰城的晴朗气候。然而，对于许多自动驾驶系统而言，恶劣的天气条件，如雨和雪，仍然超出了其操作范围。此外，目前大多数自动驾驶汽车都依赖于高度精确的地图进行定位和感知。这些地图的维护成本高昂，且可能因季节变化而退化。为了安全部署自动驾驶汽车，必须解决这些不足。为了鼓励该领域的研究，我们创建了Boreas数据集，这是一个大型多模态数据集，通过一年内重复驾驶一条路线收集数据。该数据集具有超过350公里的驾驶数据，具有明显的季节变化和多个具有恶劣天气条件的序列，如雨和下雪。我们的数据采集平台包括128束激光雷达、500万像素摄像头和360度扫描雷达。通过后处理全球导航卫星系统（GNSS）、惯性测量单元（IMU）和车轮编码器数据以及二次校正订阅，获得全球一致的厘米级精确真实姿态。我们的数据集将支持里程计、米制定位和3D目标检测的实时排行榜。

当前挑战

Boreas数据集面临的主要挑战包括：1)恶劣天气条件下自动驾驶系统的可靠性和性能；2)季节变化对长期定位的影响；3)不同传感器模态（如摄像头、激光雷达和雷达）在恶劣天气条件下的鲁棒性；4)地图退化对自动驾驶系统的影响。为了解决这些挑战，Boreas数据集提供了高质量的传感器配置、精确的真实姿态信息、实时排行榜以及3D目标标签。这些特性使得Boreas数据集成为研究自动驾驶系统在恶劣天气和季节变化条件下性能的理想工具。

常用场景

经典使用场景

Boreas数据集收集了全年重复路线上的驾驶数据，包含鲜明的季节变化和恶劣天气条件，如雨和下雪。该数据集包含超过350公里的驾驶数据，具有128通道Velodyne Alpha Prime激光雷达、360°Navtech CIR304-H扫描雷达、5MP FLIR Blackfly S相机和厘米级精度的后处理地面真实位姿。该数据集将支持里程计、公制定位和3D目标检测的实时排行榜。

解决学术问题

Boreas数据集解决了自动驾驶车辆在恶劣天气条件下的可靠性和安全性问题。该数据集支持研究季节变化对长期定位的影响，并允许比较基于视觉、激光雷达和雷达的映射和定位流程的鲁棒性。此外，该数据集还提供了高质量的传感器配置，包括128束激光雷达和360°雷达，以及来自Applanix POS LV的后处理GNSS/IMU数据，以提供准确的地面真实位姿信息。

实际应用

Boreas数据集的实际应用场景包括自动驾驶车辆的测试和开发、恶劣天气条件下的自动驾驶系统研究、以及自动驾驶车辆在季节变化中的长期定位研究。该数据集还可以用于比较不同传感器模态在恶劣天气下的鲁棒性，以及地图退化的抗性。

数据集最近研究

最新研究方向

Boreas数据集专注于自动驾驶汽车在多变季节和恶劣天气条件下的性能研究。该数据集涵盖了超过350公里的驾驶数据，具有明显的季节变化和多种恶劣天气条件，如雨和下雪。Boreas数据集的发布，为研究人员提供了一个宝贵的机会，以评估自动驾驶系统在不同季节和天气条件下的性能。该数据集将支持里程计、测距和3D目标检测的实时排行榜，为自动驾驶汽车在恶劣天气下的安全部署提供了重要的研究基础。

相关研究论文

• Boreas: A Multi-Season Autonomous Driving Dataset

  多伦多大学 · 2023年