自动驾驶大规模路面图像分类数据集

数据集主页：Go

背景

提前感知道路的状态与特性能够为车辆规划控制系统提供有效信息，从而提高车辆的安全性和驾乘舒适性。利用视觉信息进行道路预瞄被证实是一种有效的解决方案。但是目前仍然缺少一个大规模的路面图像分类数据集。基于此背景，我们实车采集、标注并发布了该道路表面分类数据集（RSCD），提供路面材质、附着水平及不平度等级的详细标注信息，共101万张图像。
该数据集由清华大学车辆与运载学院研究团队发布并维护。

数据集描述

数据获取

路面原始图片由USB摄像头获取，如图1所示。不同于自动驾驶环境感知数据集，我们更关注路面信息。因此为确保路面区域的图像解析度，摄像头被安装在引擎罩上并具有一定的俯角。 图片通过 IPC 收集和存储。

图1. 摄像头安装

此数据集面向开发实际的路面感知应用，我们在尽可能多的实车工况下进行了图像采集。 在数据集层面提升了所要开发算法模型的泛化能力。 实验于 2022 年 1 月至 7 月在北京持续开展，覆盖了约 600 公里的道路。

考虑到只有轮胎经过的路面区域会影响车辆响应，我们将原始图片的路面区域裁剪成360*240大小的图像块。 根据下面的类别定义手动标注。

类别定义

对车辆而言，道路的附着水平、材料和不平度特性对于规划控制和驾驶辅助至关重要。

• 附着水平属性包含六个子类，分别对应不同的天气条件，即干、湿、积水、新雪、融雪和冰。
• 道路材料属性包括沥青路、水泥路、土/泥路和砂石路。
• 路面不平度根据路面图像所呈现的起伏及损伤程度分为平整、轻微不平和严重不平。

将三个道路属性的子类组合起来形成数据集的类别定义。 需要注意的是，当摩擦级别为新雪、融雪或冰时，没有标注道路材料和不平整度。因为此时轮胎几乎不和路面自身接触，并且被覆盖后，从视觉信息无法判断这些属性。对于土/泥路或砂石路，不平整度也没有标注。 最后，我们得到 27 个组合类别。 此外，研究人员可以使用部分上述路面属性来开发自己的应用。

图2. 道路特性和类别定义

图3展示了部分类别的图片示例。图4为这些类别的图片数量。

图3. 部分类别的图片示例 (a). dry-asphalt-smooth (b). dry-asphalt-slight ©. dry-asphalt-severe (d). water-asphalt-severe (e) wet-asphalt-slight (f). wet-concrete-smooth (g). wet-concrete-severe (h). water-concrete-slight (i). water-mud (j). dry-gravel (k). melted snow (l). ice.

图4. 每个类别的图片数量

数据集被分成训练集（96万张）、测试集（5万张）、验证集（2万张）。 训练集和验证集是随机采样得到的，基本符合IID性质。

数据集下载：

详见数据集主页