4D毫米波数据集

VoD

https://github.com/tudelft-iv/view-of-delft-dataset/tree/main

View-of-Delft（VoD）数据集是一个新的汽车数据集，包含8600帧同步和校准的64层激光雷达、（立体）相机和3+1D雷达数据，这些数据是在复杂的城市交通中采集的。它由123000多个3D边界框注释组成，其中包括26000多个行人、10000个骑自行车的人和26000个汽车标签。

TJ4DRadSet

https://github.com/TJRadarLab/TJ4DRadSet

TJ4DRadSet是一个新颖的4D雷达数据集，包含44个序列中的7757帧同步和校准的LiDAR、相机和4D雷达数据。它涵盖了广泛的驾驶条件，包括各种照明条件，如正常照明、强光和黑暗，以及不同的道路类型，如城市道路、高架道路和工业区。

数据集的组织方式与KITTI类似，如下所示。

其中，ImageSets文件夹包含数据集的初始分割。calib文件夹包含校准文件，每个文件都有以下内容。P2是相机内参矩阵。Tr_velo_to_cam是4D雷达和KITTI格式相机之间的外参。

velodyne文件夹包含4D雷达文件。雷达点云被转换为bin文件，每个bin文件都包含一个Nx8阵列。

其中N是点数，8是特征尺寸，如下所示。其中V_r是相对径向速度（RRV），Range是到雷达中心的探测距离，Power以dB为单位，表示探测的信噪比，Alpha和Beta分别是探测的水平角和垂直角。

label_2文件夹为每个帧提供注释文件。我们将注释转换为KITTI格式。TJ4DRadSet和KITTI注释之间存在一些差异：

Type：注释包含5种类型的对象（“汽车”、“行人”、“自行车手”、“卡车”、“其他”），这些对象是从原始的7类对象映射而来的。
Truncated：整数0（非截断）和1（截断），取决于对象是否位于图像边界。我们在研究中没有使用它。
Occluded：整数（0,1,2,3）表示遮挡状态：0=完全可见，1=小部分遮挡，2=部分遮挡，3=大面积遮挡。我们在研究中没有使用它。
Alpha：整数0。不使用，只与KITTI格式兼容。
Bbox：注释是在LiDAR点云上以3D形式完成的。虽然我们在KITTI格式的标签中提供了2D边界框，但这些边界框是通过将3D边界框投影到相机平面并分配最小拟合矩形来自动计算的。

跟踪注释也类似于KITTI格式。它们是激光雷达坐标系中每个序列的原始注释。第一列表示帧号，第二列是跟踪ID，第三列是类信息。此外，注释类包括原始的七种类型，即汽车、行人、自行车、摩托车、卡车、公共汽车、工程车辆。

Dual-Radar

https://github.com/adept-thu/Dual-Radar

Dual-Radar是一种基于4D雷达的新数据集，可用于自动驾驶领域的3D目标检测和跟踪研究。自我车辆的感知系统包括一个高分辨率摄像头、一个80线激光雷达和两个以不同模式运行的最新和不同型号的4D雷达（Arbe和ARS548）。该数据集包括从自我车辆收集的原始数据，包括城市和隧道等场景，以及雨天、阴天、晴天等天气条件。我们的数据集还包括不同时间段的数据，包括黄昏、夜间和白天。我们收集的原始数据总计12.5小时，总距离超过600公里。我们的数据集覆盖了大约50公里的路线距离。它由151个连续的时间序列组成，其中大多数是20秒的序列，总共有10007个精心时间同步的帧。