车辆轨迹预测系列 (二)：常见数据集介绍

车辆轨迹预测系列 (二)：常见数据集介绍

文章目录

  • 车辆轨迹预测系列 (二)：常见数据集介绍
      • 1、NuScenes (2020)：
        • 1、下载
        • 2、说明
      • 2、Waymo Open Dataset (2020)：
        • 1、介绍
        • 2、概述
        • 3、下载
        • 4、教程
        • 5、参考
      • 3、Lyft Level 5 (2020)：
        • 1、官方
        • 2、数据集
        • 3、备注
      • 4、Argoverse (2019)：
        • 1、数据下载
        • 2、参考
      • 5、INTERACTION (2019)：
        • 1、数据请求
      • 6、HighD (2018)：
        • 1、介绍
        • 2、数据请求
      • 7、Apolloscape (2018)：
        • 1、数据下载
        • 2、数据请求
      • 8、KITTI (2013)：
        • 1、轨迹检测
        • 2、数据集下载
      • 9、NGSIM (2006)：
        • 1、数据下载

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

  • https://www.nuscenes.org/download

  • 深入nuScenes数据集(1/6)-https://www.linpx.com/p/deep-into-the-nuscenes-dataset-16.html

  • https://github.com/nutonomy/nuscenes-devkit/blob/master/docs/schema_nuscenes.md

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)：

  • Agents：行人、骑行者、车辆

  • Sensors：激光雷达、摄像头

  • Scene：城市

  • Duration and tracking quantity：103354个10Hz段，20秒每段

  • Data type：轨迹、高清地图

  • Typical methods：DenseTNT, Scene Transformer

  • Download Link: Waymo Open Dataset

  • Paper Link：https://openaccess.thecvf.com/content/ICCV2021/html/Ettinger_Large_Scale_Interactive_Motion_Forecasting_for_Autonomous_Driving_The_Waymo_ICCV_2021_paper.html Large Scale Interactive Motion Forecasting for Autonomous Driving: The Waymo Open Motion Dataset

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

  • Waymo数据集使用介绍（waymo-open-dataset）

  • Waymo的自动驾驶训练数据集WOD

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
  • Unlocking Self-Driving Research: The Lyft Level 5 Perception Dataset and Competition
2、数据集
  • https://woven-planet.github.io/l5kit/dataset.html

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

  • GitHub - jchengai/forecast-mae

  • Argoverse2数据集的导入-CSDN博客

  • Argoverse数据集可视化/Argoverse-api-CSDN博客

  • GitHub - argoverse/argoverse-api: Official GitHub repository for Argoverse dataset 可视化

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)：

  • Agents：行人、骑行者、车辆
  • Sensors：激光雷达、摄像头
  • Scene：城市
  • Duration and tracking quantity：1000公里轨迹
  • Data type：轨迹
  • Typical methods：GRIP
  • Download Link: Apolloscape Dataset
  • Paper Link: https://ieeexplore.ieee.org/abstract/document/8753527 The ApolloScape Open Dataset for Autonomous Driving and Its Application

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)：

  • Agents：行人、骑行者、车辆
  • Sensors：激光雷达、摄像头
  • Scene：城市、高速公路
  • Duration and tracking quantity：50个序列
  • Data type：图像、点云
  • Typical methods：DESIRE, MANTRA
  • Download Link: KITTI Dataset
  • Paper Link: https://journals.sagepub.com/doi/full/10.1177/0278364913491297 Vision meets robotics: The kitti dataset

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)：

  • Agents：车辆
  • Sensors：摄像头
  • Scene：高速公路
  • Duration and tracking quantity：两段高速公路的90分钟记录
  • Data type：轨迹、车道
  • Typical methods：CS-LSTM, TS-GAN
  • Download Link: NGSIM Dataset Next Generation Simulation (NGSIM) Vehicle Trajectories and Supporting Data
  • Paper Link: Traffic analysis tools, Accessed: Jan. 6, 2021. [Online]. Available: https://ops.fhwa.dot.gov/trafficanalysistools/index.htm

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

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/diannao/31695.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

SD-WAN为什么适合小企业

SD-WAN为什么适合小企业

SD-WAN（软件定义广域网）是一种革新性的网络技术，通过软件智能管理，实现灵活和高效的网络连接。在数字化转型浪潮中，企业对网络稳定性和性能的要求不断提升，SD-WAN因此受到了广泛关注。对于资源有限的小型企…
阅读更多...
JAVA NIO（二） Buffer和Channel

JAVA NIO（二） Buffer和Channel

一，基本使用 1， 一个Socket连接使用一个Channel来表示，以前直接操作Socket文件描述符来对读写缓冲区操作，比如读数据到用户空间的一个byte数组，NIO中Channel对这个过程作了封装，其中用户空间的byte数组就类…
阅读更多...
Elk安装及使用

Elk安装及使用

es安装及使用 单机版安装 集群安装 132 node-01 133 node-02 135 node-03 日志用户权限有问题 看日志 解决方案： 出现错误后，再次重启前，需要删除三个节点/data/下的内容 9300-http 9300-tcp logstasha安装及使用 Ssh错误 Yum安装默认路…
阅读更多...
逻辑回归（Logistic Regression）及其在机器学习中的应用

逻辑回归（Logistic Regression）及其在机器学习中的应用

🚀时空传送门 🔍逻辑回归原理📕Sigmoid函数🎈逻辑回归模型 📕损失函数与优化🎈损失函数🚀优化算法 🔍逻辑回归的应用场景🍀使用逻辑回归预测客户流失使用scikit-learn库实…
阅读更多...
全外显子测序分析流程1 - Fastq质控与去接头、低质量和引物序列

全外显子测序分析流程1 - Fastq质控与去接头、低质量和引物序列

全外显子测序分析流程1 - Fastq质控与去接头、低质量和引物序列 1. 运行实例 # -d 样本根目录 # -s 样本名称 python trim_fastq.py -d /result/WES/sample -s sample2. fastqc质控报告与去接头、低质量序列主程序 对raw fastq和clean fastq生成质控QC报告trim_galore去接头、…
阅读更多...
Avalonia：一个.NET跨平台UI框架

Avalonia：一个.NET跨平台UI框架

概述 Avalonia是一个强大的框架，使开发人员能够使用. NET创建跨平台应用程序。它使用自己的渲染引擎来绘制UI控件，确保在各种平台上保持一致的外观和行为，包括Windows，macOS，Linux，Android，iOS…
阅读更多...
Linux命令详解

Linux命令详解

Linux关机重启 命令解释shutdown -h now或poweroff立刻关机shutdown -h 11分钟后关机，不带参数默认1分钟shutdown -r now立刻重启halt立刻关机reboot立刻重启sync把内存的数据同步到磁盘，关机和重启前应该先做这一步，目前shutdown、reboot、…
阅读更多...
深入理解RunLoop

深入理解RunLoop

RunLoop 是 iOS 和 OSX 开发中非常基础的一个概念，这篇文章将从 CFRunLoop 的源码入手，介绍 RunLoop 的概念以及底层实现原理。之后会介绍一下在 iOS 中，苹果是如何利用 RunLoop 实现自动释放池、延迟回调、触摸事件、屏幕刷新等功能的。 一…
阅读更多...
Vector 例题

Vector 例题

例题一&#xff1a; 下面这个代码输出的是( ) &#xfeff;#include <iostream> #include <vector> using namespace std; int main(void) { vector<int>array; array.push_back(100); array.push_back(300); array.push_back(300); array.push_back(300); a…
阅读更多...
html做一个雷达图的软件

html做一个雷达图的软件

要实现一个在线输入数据并生成雷达图的功能&#xff0c;可以使用HTML表单和JavaScript来处理用户输入的数据。以下是一个示例代码&#xff0c;演示了如何实现这个功能&#xff1a; <!DOCTYPE html> <html lang"zh"> <head><meta charset"…
阅读更多...
U盘文件夹损坏0字节：现象解析、恢复方法与预防措施

U盘文件夹损坏0字节：现象解析、恢复方法与预防措施

在日常工作和生活中&#xff0c;U盘因其便携性和大容量成为我们存储和传输数据的重要工具。然而&#xff0c;当U盘中的文件夹突然损坏并显示为0字节时&#xff0c;我们可能会感到困惑和焦虑。本文将对U盘文件夹损坏0字节的现象进行详细描述&#xff0c;分析其可能的原因&#x…
阅读更多...
PyTorch+CNN进行猫狗识别项目

PyTorch+CNN进行猫狗识别项目

任务介绍 数据结构为&#xff1a; big_data ├── train │ └── cat │ └── XXX.jpg&#xff08;每个文件夹含若干张图像&#xff09; │ └── dog │ └── XXX.jpg&#xff08;每个文件夹含若干张图像&#xff09; ├─…
阅读更多...
【面试题分享】重现 string.h 库常用的函数

【面试题分享】重现 string.h 库常用的函数

文章目录 【面试题分享】重现 string.h 库常用的函数一、字符串复制1. strcpy&#xff08;复制字符串直到遇到 null 终止符&#xff09;2. strncpy&#xff08;复制固定长度的字符串&#xff09; 二、字符串连接1. strcat&#xff08;将一个字符串连接到另一个字符串的末尾&…
阅读更多...
Java中setLineWrap(true)和setWrapStyleWord(true)优化TextArea

Java中setLineWrap(true)和setWrapStyleWord(true)优化TextArea

在 Java Swing 开发中&#xff0c;JTextArea 是一个多行的文本区域组件&#xff0c;常用于显示和编辑大量文本。当处理长文本时&#xff0c;默认行为是不换行并且出现水平滚动条&#xff0c;这通常会降低用户体验。幸运的是&#xff0c;JTextArea 提供了两个非常有用的方法&…
阅读更多...
为何你的App安装转化率不高？试试Xinstall的页面唤起功能吧！

为何你的App安装转化率不高？试试Xinstall的页面唤起功能吧！

在当今互联网快速发展的时代&#xff0c;App已经成为我们生活中不可或缺的一部分。然而&#xff0c;随着市场竞争的加剧&#xff0c;App推广和运营面临着诸多挑战。其中&#xff0c;安装页面唤起不顺畅、用户体验不佳等问题&#xff0c;成为了许多开发者和运营者头疼的难题。为…
阅读更多...
C++【继承】

C++【继承】

继承的概念 继承(inheritance)机制是面向对象程序设计使代码可以复用的最重要的手段&#xff0c;它允许程序员在保 持原有类特性的基础上进行扩展&#xff0c;增加功能&#xff0c;这样产生新的类&#xff0c;称派生类。继承呈现了面向对象 程序设计的层次结构&#xff0c;体现…
阅读更多...
网上预约就医取号系统

网上预约就医取号系统

摘 要 近年来&#xff0c;随着信息技术的发展和普及&#xff0c;我国医疗信息产业快速发展&#xff0c;各大医院陆续推出自己的信息系统来实现医疗服务的现代化转型。不可否认&#xff0c;对一些大型三级医院来说&#xff0c;其信息服务质量还是广泛被大众所认可的。这就更需要…
阅读更多...
u盘在电脑上读不出来？这些方法或许能帮到你！

u盘在电脑上读不出来？这些方法或许能帮到你！

U盘作为一种便捷的存储设备&#xff0c;广泛应用于数据传输和备份。然而&#xff0c;在使用过程中&#xff0c;用户可能会遇到U盘在电脑上读不出来的问题。这种情况可能由多种原因引起&#xff0c;包括硬件故障、驱动问题、文件系统损坏等。本文将详细介绍解决u盘在电脑上读不出…
阅读更多...
小红书点赞评论收藏【更新版本】

小红书点赞评论收藏【更新版本】

小红书作为社交媒体的一个亮点&#xff0c;其点赞、评论和收藏的功能形成了一种特有的交流机制。点赞简直就是一枚迷你奖章&#xff0c;为创作者带去信心与动力。一次点赞&#xff0c;表达的是你心中无言的喜好和认可&#xff1b;它如明亮的灯塔&#xff0c;在汪洋大海中为创作…
阅读更多...
人工智能对决：ChatGLM与ChatGPT，探索发展历程

人工智能对决：ChatGLM与ChatGPT，探索发展历程

图: a robot is writing code on a horse, By 禅与计算机程序设计艺术 目录 ChatGLM:
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023