作者 | 冯偲 编辑 | 汽车人
原文链接:https://zhuanlan.zhihu.com/p/555618753
点击下方卡片,关注“自动驾驶之心”公众号
ADAS巨卷干货,即可获取
点击进入→自动驾驶之心技术交流群
后台回复【ECCV2022】获取ECCV2022所有自动驾驶方向论文!
1.nuScenes
下载链接:https://www.nuscenes.org/
预测类别:车辆 ,行人等
2020年4月提出。其在波士顿和新加坡这两个城市收集了1000个驾驶场景,这两个城市交通繁忙而且驾驶状况极具挑战性。其数据集具有相关论文,可以看看,更好了解此数据集。
![2c2dc6b4fd6b6a4deb7a10cc0e1f9e2c.png](https://i-blog.csdnimg.cn/blog_migrate/42779292881772e5163a6f0f37965a99.png)
nuScenes 预测任务是预测 对象的未来轨迹。结果是一系列 xy 位置。预测时长为 6 秒,采样频率为 2 赫兹。
![8ef883584221b21ed6a70c288b736ebd.png](https://i-blog.csdnimg.cn/blog_migrate/541c195689ceabcbeb5844046efd1429.png)
2.Argoverse Motion Forecasting Dataset
下载链接:https://www.argoverse.org/av1.html
预测类别:车辆
Argoverse 1 Motion Forecasting是 324,557 个场景的精选集合,每个场景时长 5 秒,用于训练和验证。每个场景都包含以 10 Hz 采样的每个跟踪对象的 2D 鸟瞰图质心。
为了创建这个集合,自动驾驶测试车队筛选了 1000 多个小时的驾驶数据,以找到最具挑战性的部分——包括显示交叉路口车辆、左转或右转车辆以及变道车辆的部分.
![44563c3addaff8a66191f25c9dc8d6f1.png](https://i-blog.csdnimg.cn/blog_migrate/7bb083b7390a444399eb4c12fd68b572.png)
3. NGSIM
下载链接:https://catalog.data.gov/dataset/next-generation-simulation-ngsim-vehicle-trajectories
预测类别:车辆 是美国高速公路行车数据,数据是采用摄像头获取,然后加工成一条一条的轨迹点记录。其数据集为CSV文件。
NGSIM包含四个不同场景下的数据集,分别为:US101,I-80,Lankershim Boulevard 和 Peachtree Street。前两个数据集记录了车辆在高速公路上的行驶轨迹,后两个数据集记录了车辆在城市道路上的行驶轨迹。US101:高速公路,摄像头视野覆盖的路段长度为640m,其中有5条高速公路车道。I-80:高速公路,路段长度500m,包含六条高速公路车道(其中一条为高承载车道)和一条汇入的斜坡弯道。
列名 | 描述 |
---|---|
Vehicle_Id | 车辆识别号(根据进入该区域的时间升序),重复利用 |
Frame_Id | 该条数据在某一时刻的帧(按开始时间升序),同一Vehicle_ID的帧号不会重复 |
Total_Frame | 该车出现在此数据集的总帧数 |
Global_Time | 时间戳(ms) |
Local_X | 车辆前部中心的横向(X)坐标,以英尺为单位,相对于截面在行驶方向上的最左侧边缘。 |
Local_Y | 车辆前部中心的纵向(Y)坐标,以英尺为单位,相对于截面在行驶方向上的进入边缘。 |
Global_X,Y | 全局坐标,只有一个零点,可用作数据筛选 |
v_length | 车辆长度(以英尺为单位) |
v_Width | 车辆宽度(以英尺为单位) |
v_Class | 车辆类型:1-摩托车,2-汽车,3-卡车 |
v_Vel | 车辆瞬时速度,以英尺/秒为单位 |
v_Acc | 车辆的瞬时加速度,以英尺/秒为单位 |
Lane_ID | 车辆的当前车道位置。第1车道是最左边的车道;第5车道是最右边的车道。 |
O_Zone | 车辆的目的地区域,即车辆离开跟踪系统的地方。研究区域中有10个目的地,从201到211编号。起点102是单向出口;因此,没有关联的目标号码202。请参阅数据分析报告以获取更多详细信息。 |
Int_ID | 车辆行驶的路口。交叉点的编号为1到4,交叉点1位于最南端,交叉点4位于研究区域的最北端。值为“ 0”表示该车辆不在交叉路口的附近,而是该车辆标识为Lankershim Boulevard的一段(下面的Section_ID)。请参阅数据分析报告以获取更多详细信息。 |
Section_ID | 车辆行驶的路段。Lankershim Blvd分为五个部分(路口1的南部;路口1和2、2和3、3和4之间;路口4的北部)。值为“ 0”表示该车辆未识别出Lankershim Boulevard的一段,并且该车辆紧邻交叉路口(上述Int_ID)。请参阅数据分析报告以获取更多详细信息 |
4. INTERACTION
下载链接:http://www.interaction-dataset.com/
预测类别:车辆,行人
此数据集为不同国家的各种驾驶场景中道路使用者(如车辆、行人)的大量交互性行为。
5. ApolloScape
下载链接:http://apolloscape.auto/trajectory.html
预测类别:小车、大车、行人等
Apollo公开自动驾驶数据集,其中有为轨迹预测提供的数据。数据结构包括帧数ID、目标ID、目标类别、位置xyz,长宽高信息以及heading,其中目标类别包括小车、大车、行人、自行车/电动车以及其他。
![404091a2484e1946faeeed82c4fb421c.png](https://i-blog.csdnimg.cn/blog_migrate/475b5c2d9044a0397f18231f86cadb1c.png)
由基于相机的图像、激光雷达扫描的点云和手动注释的轨迹组成。它是在各种照明条件和交通密度下收集的。更具体地说,它包含高度复杂的交通流,混合了车辆、骑手和行人
混合
![1a1dd578cf4dc80cbd633f11cde70ce7.png](https://i-blog.csdnimg.cn/blog_migrate/cb834b0cd05761eaccd9430274d88187.png)
![fabf5e54f81029d5aef79bef484a54bb.png](https://i-blog.csdnimg.cn/blog_migrate/4baf62270108f4ac041cbc45fe95f256.png)
6. TRAF
下载链接:https://gamma.umd.edu/researchdirections/autonomousdriving/ad
预测类别:汽车、行人等
此数据集聚焦于高密度的交通状况,此状况可以帮助算法更好地专注在不确定环境下人类驾驶员行为分析。数据每帧分别包含约13辆机动车辆,5名行人和2辆自行车
数据集包含:汽车、公共汽车、卡车、人力车、行人、踏板车、摩托车等。
每帧分别包含大约 13 辆机动车辆、5 名行人和 2 辆自行车。
数据集根据相机视点(正面/顶视图)、运动(移动/静态)、一天中的时间(白天/晚上/夜晚)和难度级别进行分类。
该数据集由 720p 分辨率的 RGB 视频组成。
![fb0c5d7434e5308f26a7f4d2e68deaf8.png](https://i-blog.csdnimg.cn/blog_migrate/8799034f7d02fc893f6b99284e1895b1.png)
7. HighD
下载链接:https://www.highd-dataset.com/
预测类别:车辆
HighD数据集是德国高速公路的大型自然车辆轨迹数据集,数据搜集自德国科隆附近的六个不同地点,使用无人机,空中视角克服了已建立的交通数据收集方法(例如遮挡)的限制。记录的数据中包括轿车和卡车。数据集包括来自六个地点的11.5小时测量值和 110 500 车辆,所测量的车辆总行驶里程为45 000 km,还包括了5600条完整的变道记录。通过使用最先进的计算机视觉算法,定位误差通常小于十厘米。适用于驾驶员模型参数化、自动驾驶、交通模式分析等任务。
![2748f00bbbfb776f6dde69b060ac37b2.png](https://i-blog.csdnimg.cn/blog_migrate/3412aeb5858c2db5d92baf46afeaebb0.png)
8. ETH/UCY
下载链接:
ETH:https://data.vision.ee.ethz.ch/cvl/aess/%E2%80%8Bdata.vision.ee.ethz.ch/cvl/aess/
UCY:https://graphics.cs.ucy.ac.cy/research/downloads/crowd-data.zip%E2%80%8B
预测类别:行人
ETH和UCY组合数据集是广泛使用的用于评估行人轨迹预测方法的公共数据集. 数据集包含5个场景, 2 206条人体运动轨迹
![bf490c1fdca421432c6d5da671f083d2.png](https://i-blog.csdnimg.cn/blog_migrate/21eea65cfc3a07a0b41d1687f17db4bf.png)
总结:
相比感知数据集,轨迹预测数据集可根据需要在仿真环境下轻松获得,获取成本要比感知数据集要小很多。
【自动驾驶之心】全栈技术交流群
自动驾驶之心是首个自动驾驶开发者社区,聚焦目标检测、语义分割、全景分割、实例分割、关键点检测、车道线、目标跟踪、3D目标检测、多传感器融合、SLAM、光流估计、轨迹预测、高精地图、规划控制、AI模型部署落地等方向;
加入我们:自动驾驶之心技术交流群汇总!
自动驾驶之心【知识星球】
想要了解更多自动驾驶感知(分类、检测、分割、关键点、车道线、3D目标检测、多传感器融合、目标跟踪、光流估计、轨迹预测)、自动驾驶定位建图(SLAM、高精地图)、自动驾驶规划控制、领域技术方案、AI模型部署落地实战、行业动态、岗位发布,欢迎扫描下方二维码,加入自动驾驶之心知识星球(三天内无条件退款),日常分享论文+代码,这里汇聚行业和学术界大佬,前沿技术方向尽在掌握中,期待交流!