自动驾驶三维车道线检测系列—Appolo 3D Lane数据集介绍

1. 摘要

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。

参考论文：Gen-LaneNet: A Generalized and Scalable Approach for 3D Lane Detection 。

2. 背景介绍

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。这些虚拟世界是通过Unity 3D引擎创建的，具有高视觉保真度。合成数据集的最大优势在于它提供的精确真实标签数据，同时还能模拟更多环境变化，如不同时间段、不同天气条件、不同的交通/障碍物以及不同的路面质量。

3. 数据集详细描述

3.1 特点

• 高保真度：使用Unity 3D引擎生成，图像质量接近真实世界。
• 环境多样性：包括不同时间、不同天气、不同交通状况和路面条件。
• 精确标签：提供2D/3D对象数据、语义/实例级分割、深度信息和3D车道线数据。

3.2 数据结构

数据集按照不同的环境变化和测试需求被划分为不同的子集，例如：

• 标准数据集：包含常见的驾驶场景。
• 罕见子集：包含较少见的复杂城市场景。
• 光照变化：模拟不同光照条件下的驾驶环境。

数据集的文件结构如下：

data_splits
├── standard
│   ├── 3D_LaneNet
│   │       └── test_pred_file.json
│   ├── Gen_LaneNet
│   │       └── test_pred_file.json
│   ├── train.json
│   └── test.json
├── rare_subset
│   ├── 3D_LaneNet
│   │       └── test_pred_file.json
│   ├── Gen_LaneNet
│   │       └── test_pred_file.json
│   ├── train.json
│   └── test.json
└── illus_chg
    ├── 3D_LaneNet
    │       └── test_pred_file.json
    ├── Gen_LaneNet
    │       └── test_pred_file.json
    ├── train.json
    └── test.json

3. 代码工具

代码工具参考：A Synthetic Dataset for 3D lane Detection

• parse_apollo_sim_raw_data.py：此代码提取感兴趣俯视区域内的车道线和中心线。根据提供的地面真实深度图和语义分割图，判断前景和背景遮挡。通常，被背景遮挡的远距离车道线不会被车道检测方法恢复，因此这些车道线会被丢弃。通过设置’vis=True’，此代码将在每个图像上绘制真实的车道线和中心线并保存。

• prepare_data_split.py：此代码随机将整个数据集按照“标准”五折划分为训练集和测试集。特别是，从困难的城市地图生成的子集被进一步提取为“罕见子集”数据划分的测试集。

• prepare_data_subset：给定标准的数据划分，此代码从训练集中排除对应特定“光照”条件（黎明前）的图像。相反，在测试集中，只保留对应该光照条件的图像。

5. 总结和讨论

Apollo Synthetic 3D Lane数据集为自动驾驶领域的研究人员提供了一个宝贵的资源。通过模拟真实世界的复杂性，它不仅推动了3D车道检测技术的发展，也为评估和比较不同算法提供了一个标准化的平台。我们鼓励研究人员利用这一数据集，开发出更准确、更鲁棒的车道检测算法。