自动驾驶三维车道线检测系列—OpenLane数据集介绍

最新推荐文章于 2024-07-30 10:45:00 发布
最新推荐文章于 2024-07-30 10:45:00 发布
阅读量1.3k 收藏 14
点赞数 22
分类专栏： 人工智能 3D车道线检测 自动驾驶 文章标签： 自动驾驶 人工智能 机器学习 计算机视觉 图像处理
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/u013889591/article/details/140737986
版权

文章目录

1. 背景介绍

自动驾驶技术的发展日新月异，而3D车道感知是其核心之一。本文将深入介绍OpenLane数据集——迄今为止规模最大、最接近真实世界的3D车道数据集。我们将一起探索其背景、详细内容、坐标系定义以及如何有效利用这一宝贵资源，以推动自动驾驶技术的研究与发展。

自动驾驶技术正逐渐从梦想走向现实，而精确的车道识别是实现安全自动驾驶的关键。传统的2D车道数据集虽然在学术界和工业界得到了广泛应用，但它们往往无法满足3D车道感知的需求。为了填补这一空白，OpenLane数据集应运而生，为研究者提供了一个全新的平台。

参考paper：PersFormer: 3D Lane Detection via Perspective Transformer and the OpenLane Benchmark

在这里插入图片描述

2. OpenLane数据集详细描述

OpenLane数据集以其真实性和规模著称。它收集了来自公共感知数据集的宝贵内容，涵盖了1000个路段的车道和最近路径对象（CIPO）注释。总体上，OpenLane包含了200K帧图像和超过880K条精心标注的车道信息。

2.1 数据集特点

  • 真实世界场景：所有数据均来源于真实世界的驾驶场景，包括城市道路、高速公路等多样环境。
  • 大规模覆盖：数据集规模空前，为研究者提供了丰富的样本进行模型训练和测试。
  • 高精度标注：每一条车道都经过了细致的人工标注，确保了数据的准确性和可靠性。
  • 多维度信息：除了车道线，还提供了CIPO等关键信息，为3D感知提供了更多维度的数据支持。

2.2 坐标系定义

OpenLane数据集采用相机坐标系（Camera Coordinate System）来定义车道的位置。所有标注均以精确的坐标点和相应的属性信息呈现，便于研究者进行空间分析和算法开发。坐标系参考：Three camera coord sys in eval code

详细解释如下：
Waymo（OpenLane）的相机坐标系定义为：X轴向前，Y轴向左，Z轴向上。
这与广泛使用的常规（标准）相机坐标系不同，在常规坐标系中：X轴向右，Y轴向下，Z轴向前。

3. 使用方法

OpenLane数据集的使用方法灵活多样，适用于不同类型的研究和应用开发：

  1. 数据预处理：根据研究需求对原始数据进行清洗和格式化，以适配特定的算法框架。
  2. 模型训练：使用标注的车道数据训练深度学习模型，进行车道检测和预测。
  3. 算法测试：在数据集上测试车道感知算法的性能，评估算法的准确性和鲁棒性。
  4. 可视化分析：利用数据可视化工具展示车道线和CIPO的分布，加深对场景的理解。

数据集下载参考：Download

数据集目录组织格式如下：

├── images
|   ├── training
|   |   ├── segment-xxx
|   |   |   ├── xxx.jpg
|   |   |   └── ...
|   |   ├── segment-xxx
|   |   |   ├── xxx.jpg
|   |   |   └── ...
|   |   └── ...
|   └── validation
|       ├── segment-xxx
|       |   ├── xxx.jpg
|       |   └── ...
|       ├── segment-xxx
|       |   ├── xxx.jpg
|       |   └── ...
|       └── ...
├── cipo
|   ├── training
|   |   ├── segment-xxx
|   |   |   ├── xxx.jpg.json
|   |   |   └── ...
|   |   ├── segment-xxx
|   |   |   ├── xxx.jpg.json
|   |   |   └── ...
|   |   └── ...
|   └── validation
|       ├── segment-xxx
|       |   ├── xxx.jpg.json
|       |   └── ...
|       ├── segment-xxx
|       |   ├── xxx.jpg.json
|       |   └── ...
|       └── ...
├── lane3d_300
|   ├── training
|   |   ├── segment-xxx
|   |   |   ├── xxx.json
|   |   |   └── ...
|   |   ├── segment-xxx
|   |   |   ├── xxx.json
|   |   |   └── ...
|   |   └── ...
|   ├── validation
|   |   ├── segment-xxx
|   |   |   ├── xxx.json
|   |   |   └── ...
|   |   ├── segment-xxx
|   |   |   ├── xxx.json
|   |   |   └── ...
|   |   └── ...
|   └── test
|       ├── curve_case
|       |   ├── segment-xxx
|       |   |   ├── xxx.json
|       |   |   └── ...
|       |   ├── segment-xxx
|       |   |   ├── xxx.json
|       |   |   └── ...
|       |   └── ...
|       ├── extreme_weather_case
|       |   ├── segment-xxx
|       |   |   ├── xxx.json
|       |   |   └── ...
|       |   ├── segment-xxx
|       |   |   ├── xxx.json
|       |   |   └── ...
|       |   └── ...
|       ├── intersection_case
|       |   ├── segment-xxx
|       |   |   ├── xxx.json
|       |   |   └── ...
|       |   ├── segment-xxx
|       |   |   ├── xxx.json
|       |   |   └── ...
|       |   └── ...
|       ├── merge_split_case
|       |   ├── segment-xxx
|       |   |   ├── xxx.json
|       |   |   └── ...
|       |   ├── segment-xxx
|       |   |   ├── xxx.json
|       |   |   └── ...
|       |   └── ...
|       ├── night_case
|       |   ├── segment-xxx
|       |   |   ├── xxx.json
|       |   |   └── ...
|       |   ├── segment-xxx
|       |   |   ├── xxx.json
|       |   |   └── ...
|       |   └── ...
|       ├── up_down_case
|       |   ├── segment-xxx
|       |   |   ├── xxx.json
|       |   |   └── ...
|       |   ├── segment-xxx
|       |   |   ├── xxx.json
|       |   |   └── ...
|       |   └── ...
|       ├── curve.txt
|       ├── extreme_weather.txt
|       ├── intersection.txt
|       ├── merge_split.txt
|       ├── night.txt
|       └── up_down.txt
├── lane3d_1000
|   ├── training
|   |   ├── segment-xxx
|   |   |   ├── xxx.json
|   |   |   └── ...
|   |   ├── segment-xxx
|   |   |   ├── xxx.json
|   |   |   └── ...
|   |   └── ...
|   ├── validation
|   |   ├── segment-xxx
|   |   |   ├── xxx.json
|   |   |   └── ...
|   |   ├── segment-xxx
|   |   |   ├── xxx.json
|   |   |   └── ...
|   |   └── ...
|   └── test
|       ├── curve_case
|       |   ├── segment-xxx
|       |   |   ├── xxx.json
|       |   |   └── ...
|       |   ├── segment-xxx
|       |   |   ├── xxx.json
|       |   |   └── ...
|       |   └── ...
|       ├── extreme_weather_case
|       |   ├── segment-xxx
|       |   |   ├── xxx.json
|       |   |   └── ...
|       |   ├── segment-xxx
|       |   |   ├── xxx.json
|       |   |   └── ...
|       |   └── ...
|       ├── intersection_case
|       |   ├── segment-xxx
|       |   |   ├── xxx.json
|       |   |   └── ...
|       |   ├── segment-xxx
|       |   |   ├── xxx.json
|       |   |   └── ...
|       |   └── ...
|       ├── merge_split_case
|       |   ├── segment-xxx
|       |   |   ├── xxx.json
|       |   |   └── ...
|       |   ├── segment-xxx
|       |   |   ├── xxx.json
|       |   |   └── ...
|       |   └── ...
|       ├── night_case
|       |   ├── segment-xxx
|       |   |   ├── xxx.json
|       |   |   └── ...
|       |   ├── segment-xxx
|       |   |   ├── xxx.json
|       |   |   └── ...
|       |   └── ...
|       ├── up_down_case
|       |   ├── segment-xxx
|       |   |   ├── xxx.json
|       |   |   └── ...
|       |   ├── segment-xxx
|       |   |   ├── xxx.json
|       |   |   └── ...
|       |   └── ...
|       ├── 1000_curve.txt
|       ├── 1000_extreme_weather.txt
|       ├── 1000_intersection.txt
|       ├── 1000_merge_split.txt
|       ├── 1000_night.txt
|       └── 1000_up_down.txt
└── scene
    └── SCENE
        └── scene.json

通用规则说明：我们使用XXX来泛指图像、CIPO（最近路径对象）、lane3d_300和lane3d_1000。我们在XXX/training/和XXX/validation/下提供训练/验证数据集分割，这与Waymo原始的训练/验证分割保持一致。XXX/training/segment-xxx表示后续文件属于一个完整路段。
文件夹结构详解：

  • images/: 此文件夹包含Waymo开放数据集中的所有前视原始图像文件。我们从原始的tfrecord格式中提取了它们。总共包含1000个路段，其中798个用于训练，202个用于验证。
  • cipo/: 此文件夹包含所有CIPO注释。有关真实值JSON文件的详细信息，请参考CIPO注释文档。
  • lane3d_1000/: 此文件夹包含所有2D/3D车道注释。除了训练/验证分割外，我们在lane3d_1000/test/下提供了几种场景案例。每个案例包含从验证集中选取的特定主题的路段。我们在lane3d_1000/test/1000_XXX.txt中提供了相应的图像名称。有关真实值JSON文件的详细信息，请参考车道注释文档。
  • lane3d_300/: 此文件夹从lane3d_1000/中包含了一个小型数据集。我们为那些计算资源有限的用户提供此数据集。总共包含300个序列，其中240个用于训练，60个用于验证。
  • scene/: 此文件夹包含所有场景注释。它只有一个JSON文件。有关JSON文件的详细信息，请参考CIPO注释文档。

更好的理解：

  • 图像文件夹：存放了Waymo开放数据集中的1000个路段的前视图原始图像，分为798个训练路段和202个验证路段。
  • CIPO注释：提供了CIPO（最近路径对象）的详细注释信息，具体细节见CIPO注释文档。
  • 3D车道1000：提供了2D和3D车道的详细注释，包括训练/验证分割和特定场景测试案例，场景案例的细节和图像名称列表见对应文本文件。
  • 3D车道300：为计算资源受限用户提供的小型数据集，包含240个训练序列和60个验证序列。
  • 场景注释：包含场景的总体注释，详情见单一的JSON文件。

4. 结论

OpenLane数据集的发布，为自动驾驶领域的研究者提供了一个前所未有的研究资源。它不仅推动了3D车道感知技术的发展，也为整个自动驾驶技术的进步贡献了重要力量。我们期待研究社区能够利用这一数据集，开发出更加智能和安全的自动驾驶系统。
在这里插入图片描述

学步_技术
关注
专栏目录
OpenLane数据及标注介绍
@bangbang的博客
03-27 325
OpenLane是迄今为止第一个真实世界和最大规模的3D车道数据集。OpenLane包含20万帧、超过88万条实例级车道、14个车道类别（单白色虚线、双黄色实体、左/右路边等），以及场景标签和路线邻近目标（CIPO）标注。详见。OpenLane数据集是在自动驾驶领域的主流数据集上构建的。在1.0版本中，在Waymo开放数据集上发布了标注。OpenLane数据集侧重于车道检测和CIPO (OD)。我们注释了每一帧中的所有车道，如果中间没有路边，则包括相反方向的车道。除了车道检测任务，我们还注释:(a)
yolov5车道线检测+测距（碰撞检测）
积极向上的mr.d的博客
05-12 4956
yolov5车道线检测+测距（碰撞检测），设置大于10米为低风险，小于10米为高风险
OpenLane数据集解析
泽渊的博客
05-09 2819
OpenLane是迄今为止第一个真实世界和最大规模的3D车道数据集。我们的数据集从公开感知数据集中收集有价值的内容，为1000个路段提供车道和最近路径物体(CIPO)注释。简而言之，OpenLane拥有20万帧和超过88万条精心标注的车道。我们已经公开发布了OpenLane数据集，以帮助研究社区在3D感知和自动驾驶技术方面取得进步。详见论文。OpenLane数据集是在自动驾驶领域的主流数据集上构建的。在1.0版本中，我们在Waymo开放数据集上发布了注释。
OpenLane-V2数据集
SecretGirl的博客
03-26 2014
真值时间戳=前视摄像头时间戳数据集来源：nuScenes 、Argoverse数据集结构：图像：各视角图像、内外参真值：车道中心线、车道线、空中元素（信号灯，道路标志）、ego poseOpenDataLab 引领AI大模型时代的开放数据平台。
2D/3D车道线数据汇总
qq_29462849的博客
07-25 1660
点击上方“计算机视觉工坊”，选择“星标”干货第一时间送达作者丨汽车人来源丨自动驾驶之心1TuSimple链接：https://github.com/TuSimple/tusimple-benchmark道路上的对象可以分为两大类：静态对象和动态对象。车道标线是公路上的主要静态组成部分, 为了鼓励行业解决高速公路上的车道检测问题，图森发布了大约7000个1秒长的视频剪辑，...
20万帧，超过88万条实例级车道，14个车道类别……复杂场景的车道识别，可以用这个数据集
OpenDataLab的博客
08-23 1081
为了提高复杂环境下车道识别的准确度，来自上海人工实验室、商汤研究院及上海交通大学等的研究团队发布了业内首个大规模真实场景3D车道数据集——OpenLane
自动驾驶三维车道线检测系列—Appolo 3D Lane数据集介绍
最新发布
u013889591的专栏
07-30 1372
在自动驾驶技术飞速发展的今天，高质量的数据集对于算法研发和评估至关重要。Apollo Synthetic 3D Lane数据集以其高保真度和丰富的环境变化，为3D车道检测方法的研究提供了一个理想的测试平台。本文将详细介绍这一数据集的背景、特点、数据结构以及使用方法。。Apollo Synthetic 3D Lane数据集是由Apollo公司推出的一款用于自动驾驶的合成数据集。它包含273k个独特的图像（非视频连续帧），涵盖了高速公路、城市、住宅区、市中心、室内停车场等多种虚拟场景。
自动驾驶系统进阶与项目实战（三）基于全卷积神经网络的点云三维目标检测和ROS实战
AdamShan的博客
05-16 1万+
自动驾驶系统进阶与项目实战（三）基于全卷积神经网络的点云三维目标检测和ROS实战 前面入门系列的文章中我介绍了几种点云三维分割/目标检测模型，在做点云预处理上，有通过球面投射（SqueezeNet）得到深度图的，也有采用Voxel网格的（VoxelNet），本文我们一起学习一下百度开源的cnn_seg点云三维语义分割神经网络，该模型被集成于Apollo的perception模块，并且自Apollo 3.0开始一直是Apollo体系下用于障碍物检测的主力模型，在Apollo 5.0以后甚至release出了
nuScenes数据集详细介绍
叶子的博客
11-28 1万+
nuScenes网上介绍资料较多，但是大部分仅仅是对官网的翻译，缺乏各个文件的内在联系介绍。例如，nuScenes激光雷达的数据格式，点云包含哪几种属性。再比如，sample文件夹和sweeps文件夹下的文件关系，以及是如何在相关json文件中体现的。本文将详细介绍nuScenes数据集的各个部分。
无人驾驶汽车系统入门（三十）——基于深度神经网络LaneNet的车道线检测及ROS实现
热门推荐
AdamShan的博客
05-26 2万+
无人驾驶汽车系统入门（三十）——基于深度神经网络LaneNet的车道线检测及ROS实现 前面的博文介绍了基于传统视觉的车道线检测方法，传统视觉车道线检测方法主要分为提取特征、车道像素聚类和车道线多项式拟合三个步骤。然而，无论是颜色特征还是梯度特征，人为设计的特征阈值存在鲁棒性差的问题，深度学习方法为车道线的检测带来了高鲁棒性的解决思路，在近年来逐步替代了传统视觉方法，本文介绍一种用于车道线检测的...
OpenLane:OpenLane 是基于多个组件的自动 RTL 到 GDSII 流程，包括 OpenROAD、Yosys、Magic、Netgen、Fault 和用于设计探索和优化的自定义方法脚本
07-24
开放车道 OpenLane 是基于多个组件的自动 RTL 到 GDSII 流程，包括 OpenROAD、Yosys、Magic、Netgen、Fault、CVC、SPEF-Extractor、CU-GR、Klayout 和许多用于设计探索和优化的自定义脚本。 该流程执行从 RTL 一直到 GDSII 的完整 ASIC 实现步骤。 您可以在找到 OpenLane 的最新版本。 该文档也可在。 目录 开放式架构 OpenLane 设计阶段 OpenLane 输出 流程配置 回归和设计配置探索 强化宏 芯片集成 命令和配置 如何贡献 作者 附加材料 文件 视频和教程 先决条件 码头工人 19.03.12+ 无Docker安装 请参阅LOCAL_INSTALL.md 。 设置 OpenLane 您可以通过运行以下命令开始设置 Sky130 PDK 和 OpenLane： g
超详细的计算机视觉数据集汇总（自动驾驶、SLAM、三维重建、立体视觉、深度估计）
qq_29462849的博客
12-27 4556
前言 本文首发于公众号【3D视觉工坊】，更多干货请关注公众号~ 1、KITTI数据集 KITTI数据集由德国卡尔斯鲁厄理工学院和丰田美国技术研究院联合创办，是目前国际上最大的自动驾驶场景下的计算机视觉算法评测数据集。该数据集用于评测立体图像(stereo)，光流(optical flow)，视觉测距(visual odometry)，3D物体检测(object detection)和3D跟踪(tr...
一个3D车道线检测方法PersFormer及其开源OpenLane数据集
3D视觉工坊
04-12 2170
来源丨计算机视觉深度学习和自动驾驶arXiv上2022年3月论文“PersFormer: 3D Lane Detection via Perspective Transformer and the OpenLane Benchmark“ ，作者来自上海AI实验室，以及几所高校。最近3D车道检测方法出现，解决许多自动驾驶场景（上坡/下坡、颠簸等）中车道布局不准确估计的问题。...
OpenLane V2与NuScenes数据集关系
BeHappyBeLucky的博客
06-18 861
OpenLane V2是商汤在NuScenes数据集和ArgoverseV2数据集基础上标注了多视角图像下的道路拓扑真值的数据集，每哥时间戳下多张图像对应的真值放在了一个json文件中，一个json文件包含了多段基于车辆坐标系的道路拓扑真值数据，以及各相机对应的内外参。
第三章 OpenLane，TuSimple，CULane，CurveLanes与BDD100K数据集与标注(车道线感知)
weixin_44302770的博客
09-20 1933
介绍了OpenLane数据集的大致信息，紧接着介绍标注规则和标注文件，并展示标注后的图片。
3D车道线新SOTA | Anchor3DLane：超越BEV表示的3D Anchor！
3D视觉工坊
01-20 845
来源｜自动驾驶之心编辑｜深蓝学院摘要由于缺乏深度信息，单目3D车道检测是一项具有挑战性的任务。3D车道检测的一种流行解决方案是首先将前视(FV)图像或特征转换为逆透视变换(IPM)内的鸟瞰图(BEV)空间，然后从BEV特征检测车道。然而，IPM对平坦地面假设的依赖和上下文信息的丢失使得从BEV表示恢复3D信息不准确。已经尝试摆脱BEV并直接从FV表示预测3D车道，但它仍然不足执行其他基于BEV的方...
复现PersFormer_3DLane
m0_74272131的博客
11-19 310
车道线检测
多卡3090复现PersFormer_3DLane
m0_74272131的博客
11-27 290
1.1训练之前先本地手动下载权重https://github.com/rwightman/pytorch-image-models/releases/download/v0.1-weights/tf_efficientnet_b7_ns-1dbc32de.pth。准备好数据集后，修改persformer_openlane.py下数据集路径，其中persformer_openlane.py在autodl-tmp/PersFormer_3DLane/config文件夹下。
# CVPR2023挑战赛之-开放车道拓扑信息（OpenLane Topology）的测试【1】
cnjs1994的博客
04-02 1172
CVPR2023 Openlanev2挑战赛的初次测试
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

打赏作者

学步_技术

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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