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MotionPreception,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 1Argoverse 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

VOC数据集

VOC(Visual Object Classes)格式的数据集是一种用于计算机视觉任务的标准数据集格式,它最初是由Pascal VOC(PASCAL Visual Object Classes)数据集引入的。VOC数据集格式定义了一套标准化的数据集结构,包括X…

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…

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…

macbook rust项目编译跨平台windows,linux

创建项目 cargo new test11, 编译windows exe包 rustup target add x86_64-pc-windows-gnu brew install mingw-w64 cargo build --target i686-pc-windows-gnu2. 编译ubuntu linux包 brew install FiloSottile/musl-cross/musl-cross rustup target add x86_64-unknown-lin…

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…

2024-06-21力扣每日一题

链接: LCP 61. 气温变化趋势 题意 A、B两个数组,数组内相邻两个数字有大于、等于、小于三种变化情况,求最长的一段,使两个数组的这一段变化情况相同,并且不要求这一段只能有一种变化 解: 因为数组内只…

UBUNTU安装KVM并加速安卓模拟器

在 Linux 上安装安卓模拟器(如 Genymotion 或 Android Studio 的内置模拟器)通常需要硬件 虚拟化支持,这可以通过 KVM 完成。本人亲测在ubuntu24.04上可用,但是是不是真的有加速效果不知,毕竟该卡的时候还是卡。 1.安…

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…

Golang学习笔记02

封装 将结构体,字段的属性都小写,类似于private 给结构体提供一个工厂模式的函数,首字母大写 提供一个首字母大写的set方法,对属性赋值 提供一个首字母大写的get方法,对属性访问 package mainimport "fmt"ty…

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、…

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…

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、…

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…

MySQL Online DDL 原理解读

在线工具站 推荐一个程序员在线工具站:程序员常用工具(http://cxytools.com),有时间戳、JSON格式化、文本对比、HASH生成、UUID生成等常用工具,效率加倍嘎嘎好用。 程序员资料站 推荐一个程序员编程资料站:…

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…

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"…

行列视(RCV)在报表设计中的创新应用

行列视(RCV)在报表设计中的创新应用 报表设计一直是数据处理和分析领域的重要一环&#xff0c;其质量和效率直接影响到企业决策的准确性和及时性。近年来&#xff0c;行列视(RCV)作为一种先进的数据处理和展示工具&#xff0c;在报表设计中的应用越来越广泛&#xff0c;带来了…

【LeetCode热题 100】三数之和

leetcode原地址&#xff1a;https://leetcode.cn/problems/3sum/description 描述 给你一个整数数组 nums &#xff0c;判断是否存在三元组 [nums[i], nums[j], nums[k]] 满足 i ! j、i ! k 且 j ! k &#xff0c;同时还满足 nums[i] nums[j] nums[k] 0 。请 你返回所有和…

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…

SHELL脚本学习(十一)正则表达式

一、锚点字符 1.1 锚点行首 脱字符(^)指出行首位置 $ cat < file1 test line1 test line2 test line3 line4 test#打印所有包括文本 test的行 $ sed -n /test/p file1 test line1 test line2 test line3 line4 test#打印所有以test为首的行 $ sed -n /^test/p file1 test…