车辆轨迹预测系列 (二)：常见数据集介绍

已于 2024-06-22 14:55:16 修改
阅读量1.4k 收藏 13
点赞数 31
分类专栏： 轨迹预测 文章标签： 轨迹预测 车联网 神经网络 数据集
于 2024-06-21 21:48:01 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/a_student_2020/article/details/139870486
版权

车辆轨迹预测系列 (二)：常见数据集介绍

文章目录


image-20240621113630003

  1. Dataset：数据集名称及参考文献编号。
  2. Year：数据集发布的年份。
  3. Agents：数据集中涉及的代理对象，包括行人（pedestrians）、骑行者（cyclists）和车辆（vehicles）。
  4. Sensors：数据集中使用的传感器类型，包括激光雷达（lidar）、摄像头（camera）和无人机（drone）。
  5. Scene：数据采集的场景类型，包括城市（urban）和高速公路（highway）。
  6. Duration and tracking quantity：数据集的持续时间和跟踪数据的数量。包括驾驶场景的数量、数据时长、车辆数量等。
  7. Data type：数据的类型，包括轨迹（trajectories）、高清地图（HD map）、图像（image）、点云（point cloud）等。
  8. Typical methods：针对该数据集常用的典型方法或模型。

详细分析

1、NuScenes (2020)：

  • Agents：行人、骑行者、车辆
  • Sensors：激光雷达、摄像头
  • Scene：城市
  • Duration and tracking quantity：1000个驾驶场景
  • Data type：轨迹、高清地图
  • Typical methods：MHA-JAM, Trajectron++
  • Download Link: nuScenes Dataset
  • Paper Link：https://arxiv.org/abs/1903.11027 nuScenes: A multimodal dataset for autonomous driving

优点：

  • 多模态数据：包括雷达、激光雷达（LiDAR）、摄像头和GPS数据。
  • 高质量标注：详细的目标检测和跟踪，包含场景理解、行为预测和3D物体检测。
  • 场景丰富：包括城市和高速公路场景，覆盖多种天气和时间条件。

缺点：

  • 数据量较大：需要较大的存储和计算资源。
  • 标注成本高：数据标注的工作量大，成本较高。

适用场景：

  • 适合需要多传感器融合、场景理解和行为预测的研究和开发工作。
  • 高质量的数据需求，尤其是在复杂城市环境中的自动驾驶开发。

详细介绍

数据集是一个带有3d对象注释的大规模自动驾驶数据集。

●全传感器套件(1倍激光雷达，5倍雷达，6倍摄像头，IMU, GPS)

●1000个20秒的场景

●140万张相机图像

●39万次激光雷达扫描

●两个不同的城市:波士顿和新加坡

●左侧与右侧交通

●详细地图信息

●1.4M 3D边框手动标注23个对象类

●新增:为32个类别手动标注了1.1亿个激光雷达点

1、下载

完整的nuScenes数据集包含1000个场景，Mini中包含10个场景

image-20240621180944566

顺带一提，这里面还有一个nuScenes预测任务的比赛

image-20240621181320329

预测nuScenes数据集中物体的未来轨迹。 轨迹是x-y位置的序列。对于这个挑战，预测时间为6秒，采样时间为 2赫兹。

image-20240621180229101

2、说明

image-20240621212806448

2、Waymo Open Dataset (2020)：

优点：

  • 高质量的LiDAR数据：提供了丰富的3D点云数据，标注精确。
  • 开放数据集：数据集开放，易于获取和使用。
  • 多样化场景：涵盖城市道路和高速公路，支持多种驾驶场景。

缺点：

  • 数据规模大：需要较高的计算和存储能力。
  • 标注复杂：高精度的标注要求较高的处理和计算资源。

适用场景：

  • 适用于需要高质量LiDAR数据和复杂场景理解的研究。
  • 特别适合3D物体检测、跟踪和行为预测算法的开发。
1、介绍

官方数据集中包含两类Motion和Preception,由于本文重点在于轨迹预测，因此仅介绍Motion数据

image-20240621183532502

**Motionhttps://waymo.com/open/data/motion/**用于Sim Agents (2024 version), Motion Prediction (2024 version), Occupancy and Flow Prediction (2024 version), and Interaction Prediction.等内容

image-20240621183859899

**Perceptionhttps://waymo.com/open/data/perception/**用于 3D Semantic Segmentation, 3D Camera-Only Detection, Real-time 3D Detection, Real-time 3D Tracking, 2D Detection, 2D Tracking, and Domain Adaptation.等内容

image-20240621183653478

2、概述

动作数据集以包含协议缓冲区数据的分片TFRecord格式文件的形式提供。数据被分成训练集、测试集和验证集，其中70%的训练集、15%的测试集和15%的验证集。该数据集由103354个片段组成，每个片段包含20秒的10Hz目标轨迹和片段所覆盖区域的地图数据。这些片段被进一步分解为9秒的窗口(1秒的历史数据和8秒的未来数据)，这些窗口有不同的重叠。数据以两种形式提供。第一种形式存储为场景协议缓冲区。第二种形式将场景原型转换为tf。示例protos包含用于构建模型的张量。这两种格式的详细信息在本页的末尾。

训练集或验证集中的每9秒序列都包含1秒的历史数据、1个当前时间的样本和8秒的未来数据，采样频率为10 Hz。这对应于10个历史样本、1个当前时间样本和80个未来样本，总共91个样本。测试集隐藏了总共11个样本(10个历史样本和1个当前时间样本)的真实未来数据。

Scenario Proto format 场景原型格式

https://images.ctfassets.net/e6t5diu0txbw/5F0OTYxcAhO8AFOqWSinuY/90c849459a962141d105ea120de30168/unnamed.gif?fm=webp

3、下载

需要注册账号选择需要的数据集下载即可

image-20240621185206411

4、教程

如果您想要直接进入，请查看这里的教程。Github repo还包括一个快速入门，其中包含Waymo开放数据集支持代码的安装说明。

https://github.com/waymo-research/waymo-open-dataset/blob/master/tutorial/tutorial_motion.ipynb

5、参考

3、Lyft Level 5 (2020)：

  • Agents：行人、骑行者、车辆
  • Sensors：激光雷达、摄像头
  • Scene：城市
  • Duration and tracking quantity：1000+小时，从23辆车中收集16K英里的数据
  • Data type：轨迹、高清地图
  • Typical methods：Graph-LSTM
  • Download Link: Lyft Level 5 Dataset
  • Paper Link: https://proceedings.mlr.press/v155/houston21a.html One Thousand and One Hours: Self-driving Motion Prediction Dataset

优点：

  • 多传感器数据：包括摄像头、雷达和LiDAR数据。
  • 城市环境：重点覆盖城市环境，适合城市自动驾驶研究。
  • 高精度标注：标注数据详细，支持多种任务。

缺点：

  • 需要高性能计算：处理数据的计算资源需求较高。

适用场景：

  • 适用于城市环境下的自动驾驶研究和开发，特别是多传感器数据融合和场景理解。
1、官方
2、数据集

image-20240621193222612

3、备注

这个项目视乎已终止且未得到积极维护

image-20240621193252893

image-20240621193319386

4、Argoverse (2019)：

  • Agents：车辆
  • Sensors：激光雷达、摄像头
  • Scene：城市
  • Duration and tracking quantity：324,557个有趣的车辆轨迹，1000个驾驶小时
  • Data type：轨迹、高清地图
  • Typical methods：VectorNet, LaneRCNN
  • Download Link: Argoverse Dataset
  • Paper Link: https://arxiv.org/abs/2301.00493Argoverse 2: Next Generation Datasets for Self-Driving Perception and Forecasting

优点：

  • 多样化的场景：包括城市和高速公路环境。
  • 丰富的标注：提供了高质量的标注，涵盖对象检测、轨迹预测等任务。
  • 数据格式标准化：数据格式标准化，便于使用和开发。

缺点：

  • 数据规模大：需要较多的存储和计算资源。
  • 标注成本高：数据标注工作量大。

适用场景：

  • 适合复杂场景下的自动驾驶算法开发，特别是在城市环境中的应用研究。
  • 强调场景理解和轨迹预测的任务。
1、数据下载

Argoverse包含两个版本Argoverse 1和Argoverse 2

image-20240621195902545

点击下载

image-20240621200155449

https://www.argoverse.org/av2.html#download-link

image-20240621200255481

image-20240621212949349

2、参考

5、INTERACTION (2019)：

  • Agents：车辆、行人
  • Sensors：无人机、摄像头
  • Scene：城市、高速公路
  • Duration and tracking quantity：11个地点，40,000辆车
  • Data type：轨迹、高清地图
  • Typical methods：IPTM
  • Download Link: INTERACTION Dataset
  • Paper Link: https://arxiv.org/abs/1910.03088 INTERACTION Dataset: An INTERnational, Adversarial and Cooperative moTION Dataset in Interactive Driving Scenarios with Semantic Maps

优点：

  • 专注于行为预测：特别适合研究交通参与者之间的互动和行为预测。
  • 多场景数据：涵盖多种场景和交通情况，数据丰富。

缺点：

  • 数据标注需求高：高质量的标注需要较多的人力和时间。

适用场景：

  • 适合行为预测和交通参与者互动研究，尤其是在复杂交通场景中的应用。
1、数据请求
  • 特点: INTERACTION 数据集包含各种交通场景下的车辆轨迹数据，涵盖城市交叉口、环形交叉口等多样场景，适合研究车辆间交互影响的预测问题。
  • 链接: INTERACTION Dataset
  • 备注：需要单独请求，随后会发到邮箱

image-20240620175623802

image-20240621201342111

6、HighD (2018)：

  • Agents：车辆
  • Sensors：无人机
  • Scene：高速公路
  • Duration and tracking quantity：110500辆车，147驾驶小时
  • Data type：轨迹、车道
  • Typical methods：MHA-LSTM
  • Download Link: HighD Dataset
  • Paper Link: https://arxiv.org/abs/1910.03088 The highD Dataset: A Drone Dataset of Naturalistic Vehicle Trajectories on German Highways for Validation of Highly Automated Driving Systems

优点：

  • 高速公路数据：专注于高速公路场景，数据集质量高。
  • 数据标注细致：包括多种车辆和道路标志的标注，适合路径规划研究。

缺点：

  • 数据场景有限：主要集中在高速公路场景，适用范围有限。

适用场景：

  • 适合高速公路场景下的自动驾驶研究和路径规划算法开发。
1、介绍

image-20240621201620741

2、数据请求

按照官方的要求，需要填写申请表，笔者正在申请

image-20240621201726617

7、Apolloscape (2018)：

优点：

  • 多传感器数据：包括摄像头、LiDAR和雷达数据。
  • 数据覆盖广：涵盖城市、农村和高速公路场景，数据丰富。

缺点：

  • 数据标注复杂：标注过程复杂，需要较高的技术支持。
  • 数据处理要求高：处理和存储数据需要较高的计算资源。

适用场景：

  • 适合多场景下的自动驾驶研究，特别是需要多传感器数据融合的应用。
1、数据下载

image-20240621202824709

image-20240621202938873

image-20240621202912095

我们的轨迹数据集包括基于相机的图像， 激光雷达扫描点云，并手动注释轨迹。它被收集在各种 照明条件和交通密度。更具体地说，它包含高度复杂的流量 车流中混杂着车辆、乘客和行人。

2、数据请求

官方提供了一些样本数据，完整版数据仍需邮件联系apolloscape.auto@gmail.com,全部数据笔者正在申请

image-20240621202957735

8、KITTI (2013)：

优点：

  • 经典数据集：在自动驾驶领域广泛使用，数据格式标准化。
  • 易于获取和使用：数据集公开，易于下载和使用。

缺点：

  • 数据更新不频繁：数据集较老，部分数据不再符合当前技术水平。
  • 场景较为简单：主要集中在城市和高速公路，复杂场景较少。

适用场景：

  • 适用于入门级的自动驾驶研究和基准测试，特别是计算机视觉和深度学习算法的开发。
1、轨迹检测

image-20240621204047681

image-20240621204210321

2、数据集下载

https://www.cvlibs.net/datasets/kitti/eval_tracking.php

image-20240621204405136

image-20240621204503630

9、NGSIM (2006)：

优点：

  • 交通流数据：专注于交通流和车流数据，适合交通流分析和交通管理研究。
  • 数据覆盖广：涵盖多种交通情况和时间段，数据丰富。

缺点：

  • 数据标注有限：标注信息相对简单，缺少复杂的物体检测和行为标注。
  • 场景局限性：数据集主要集中在高速公路和城市道路，场景较为单一。

适用场景：

  • 适合交通流分析、交通预测和交通管理研究，尤其是交通行为建模和流量预测。
1、数据下载

Next Generation Simulation (NGSIM) Vehicle Trajectories and Supporting Data

image-20240621204951963

大鹅同志
关注
  • 31
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【数据集】开源车辆轨迹数据集详细汇总
zuoan1993的博客
04-06 5186
1. NGSIM数据集 NGSIM 的全称为 Next Generation Simulation，是由美国联邦公路局发起的一项数据采集项目，被交通界学者广泛用于车辆跟驰换道等驾驶行为研究，交通流分析，微观交通模型构建，车辆运动轨迹预测，驾驶员意图识别，自动驾驶决策规划等。所有数据均为在美国高速公路国道101上采集的实际运行轨迹数据。数据文件包含3个txt文档，三个文档对应三个不同的时段，每个时段为15分钟。 官方下载：https://data.transportation.gov/Automobi
汽车数据集
10-11
该数据集包括三种类型的实体：（一）在不同特性的自动规范，（B）指定的保险风险评级，（C）的归一化的损失相比其他汽车使用。第二等级对应的汽车比价格更危险的程度表示。汽车最初被分配与价格相关的危险因素的象征。那么，如果这是更大的风险（或更少），这个符号是通过移动来调整（或向下）的规模。actuarians称这个过程为“代表”。值3表示汽车是危险的，3，它可能是非常安全的。
pytorch实现基于LSTM的高速公路车辆轨迹预测源码+数据集.zip
02-18
pytorch实现基于LSTM的高速公路车辆轨迹预测源码+数据集.zip 第1步：轨迹数据滤波，将原始US101和I-80的原始数据放入下图文件夹，运行代码"trajectory_denoise.py"，结果如下： image 第2步：移除不必要特征以及添加新特征，运行代码"preprocess.py"，结果如下： image 第3步：根据需要添加横、纵向速度和加速度特征，运行代码"add_v_a.py"，结果如下： image 第4步：按照滑动窗口法提取所需8s轨迹序列，运行代码"final_DP.py"，结果如下： image 第5步：最终合并US101和I-80数据集，为保证数据的均衡性以及充分利用数据集，随机采样10组数据集，每组按照6:2:2的比例划分训练集、测试集和验证集；运行代码"merge_data.py". 模型训练及测试 MTF-LSTM模型训练，运行代码"MTF-LSTM.py" MTF-LSTM-SP模型训练，运行代码"MTF-LSTM-SP.py" 本文训练好的MTF-LSTM和MTF-LSTM-SP模型保存在文件夹/algorithm
126-环形交叉口车道选择行为对其性能的影响研究-word资料.pdf
08-19
126-环形交叉口车道选择行为对其性能的影响研究-word资料.pdf
目标检测数据集 - 城市道路行驶车辆检测数据集下载「包含VOC、COCO、YOLO三种格式」
极智视界
06-05 516
目标检测数据集 - 城市道路行驶车辆检测数据集下载「包含VOC、COCO、YOLO三种格式」
Pytorch实现基于LSTM的高速公路车辆轨迹预测 源码+数据集+说明
最新发布
06-20
Pytorch实现基于LSTM的高速公路车辆轨迹预测 源码+数据集+说明，含有代码注释，新手也可看懂，个人手打98分项目，毕业设计、期末大作业、课程设计、高分必看，下载下来，简单部署，就可以使用。该项目系统功能完善、界面美观、操作简单、功能齐全、管理便捷可以作为毕设、期末大作业使用。 Pytorch实现基于LSTM的高速公路车辆轨迹预测 源码+数据集+说明 Pytorch实现基于LSTM的高速公路车辆轨迹预测 源码+数据集+说明 Pytorch实现基于LSTM的高速公路车辆轨迹预测 源码+数据集+说明 Pytorch实现基于LSTM的高速公路车辆轨迹预测 源码+数据集+说明Pytorch实现基于LSTM的高速公路车辆轨迹预测 源码+数据集+说明Pytorch实现基于LSTM的高速公路车辆轨迹预测 源码+数据集+说明Pytorch实现基于LSTM的高速公路车辆轨迹预测 源码+数据集+说明Pytorch实现基于LSTM的高速公路车辆轨迹预测 源码+数据集+说明Pytorch实现基于LSTM的高速公路车辆轨迹预测 源码+数据集+说明Pytorch实现基于LSTM的高速公路车辆轨迹预测
何为轨迹预测？我们为什么需要轨迹预测？
小白学视觉
11-10 1308
点击上方“小白学视觉”，选择加"星标"或“置顶” 重磅干货，第一时间送达本文只做学术分享，如有侵权，联系删文一、何为轨迹预测自动驾驶中，轨迹预测一般位于感知模块的后端，规控的前端，为承上启下的模块。输入为感知模块提供的目标track的state信息、道路结构信息，综合考量高精地图信息、目标之间的交互信息，环境的语义信息及目标的意图信息，对感知到的各类目标做出意图预测(cut in/out、直行)以...
车辆信息检测数据集收集汇总
热门推荐
Make AI，Not War
09-02 3万+
车辆信息检测数据集收集汇总 目录： UA-DETRAC 车牌数据集 自动驾驶数据集 车辆类型数据集 综合汽车（CompCars）数据集 汽车数据集（检测用） OpenData V11.0-车辆重识别数据集 VRID Stanford Cars Dataset N-CARS数据集 汽车评估数据集 更多关于自动驾驶的数据集（50个） 1.UA-DETRAC http://detrac-db.ri...
车辆数据集（车辆识别与分类）
06-01
背景描述 该数据集中含有自行车、摩托车、汽车、货车的图像数据，可用于CNN模型以实现车辆识别和车辆分类，其中自行车、摩托车、汽车数据来自2005 PASCAL视觉类挑战赛（VOC2005）所使用的数据的筛选处理结果，货车图片来自网络收集，后期通过筛选处理得到。在本数据中，训练数据集与测试数据集占比约为5:1。 数据说明 文件列表 训练集：train.tfrecords 测试集：test.tfrecords 标签值说明：0=“自行车”,1=“汽 车”'，2=“摩托车”，3=“货 车”
关于车的数据集
张荣
08-20 1万+
##1.驾驶视频数据集： 数据集地址：http://bair.berkeley.edu/blog/2018/05/30/bdd/  BDD100K，这是迄今为止最大的驾驶视频数据集。它包含100,000个视频，代表超过1000小时的驾驶体验，超过1亿帧。这些视频附带了用于轨迹信息的GPU / IMU数据。它们会手动标记天气，一天中的时间和场景类型。   ##2. Cityscapes数...
车辆检测数据集
11-10
汽车数据，可用来分类学习，和分类识别中，各种视角，各种车型，非常好的一个数据。
汽车分类数据集
04-09
对奔驰G系列和奔驰c系列进行分类。。。。。。。。。。
车辆识别数据集.zip
06-15
车辆识别数据集.zip
MIT-CBCL Car Database 车辆训练数据集
11-21
MIT-CBCL Car Database 车辆训练数据集 516张128*128 bmp和ppm格式车辆数据集
1400张车子的数据集，包括公交车家用车消防车工程车等的数据集，已经完全手工专业标注完成
03-15
1400张车子的数据集，包括公交车家用车消防车工程车等的数据集，已经完全手工专业标注完成，包括车子图片和生成的.xml文件，可供yolov3、yolov4、yolov5框架训练出车辆检测模型，识别度超过百分之98以上。
运动学单车轨迹预测基线和 NGSIM 数据集的应用
03-08
— 在最近的车辆轨迹预测文献中，简要介绍了最常见的基线，而没有必要的信息来重现它。 在本文中，我们从简单的模型中生成可重复的车辆预测结果。 为此，该过程是明确的，并且代码是可用的。 这些基线模型是等速模型...
红外person+car的数据集及txt标签
06-26
标题中的“红外person+car的数据集及txt标签”指的是一个专门针对红外环境下人与车的图像数据集，其中包含了对应的txt标签文件。这样的数据集通常用于计算机视觉和深度学习领域的研究，特别是目标检测任务，例如YOLO...
帮我写一段基于nuscenes数据集的车辆轨迹预测代码
04-07
很抱歉，我是一个语言模型AI，无法为您编写代码。但是，以下是一个可能有用的代码示例，可以帮助您开始使用nuscenes数据集进行车辆轨迹预测。 ``` import numpy as np import pandas as pd import matplotlib.pyplot as plt from nuscenes.nuscenes import NuScenes from nuscenes.prediction import PredictHelper from nuscenes.eval.prediction.splits import get_prediction_challenge_split # Load the NuScenes dataset nusc = NuScenes(version='v1.0-trainval', dataroot='/path/to/your/nuscenes/') # Load the prediction helper to access the prediction API helper = PredictHelper(nusc) # Get the test set split for the prediction challenge test_set = get_prediction_challenge_split("mini_train", dataroot='/path/to/your/nuscenes/') # Choose a random sample from the test set sample_token = test_set[np.random.randint(len(test_set))]['sample_token'] # Get the sample data sample = nusc.get('sample', sample_token) # Get the ego vehicle and its trajectory ego_token = sample['data']['ego_pose_token'] ego_pose = nusc.get('ego_pose', ego_token) ego_trajectory = helper.get_future_for_agent(ego_token, seconds=6, in_agent_frame=True) # Plot the ego vehicle trajectory plt.plot(ego_trajectory[:,0], ego_trajectory[:,1], 'b-', label='Ego Vehicle') # Get the other vehicle agents and their trajectories for i, ann in enumerate(sample['anns']): if ann['category_name'][:6] == 'vehicle': agent_trajectory = helper.get_future_for_agent(ann['instance_token'], seconds=6, in_agent_frame=True) plt.plot(agent_trajectory[:,0], agent_trajectory[:,1], 'g-', label='Agent %d' % i) # Set the plot title and labels plt.title('Vehicle Trajectory Prediction') plt.xlabel('X (m)') plt.ylabel('Y (m)') plt.legend() # Show the plot plt.show() ``` 这段代码会随机选择一个样本，并获取自车和其他车辆的轨迹。它然后绘制自车和其他车辆的轨迹，以显示如何在nuscenes数据集上进行车辆轨迹预测。您可以根据需要修改此代码以满足您的需求。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值