车辆轨迹预测系列 (二)：常见数据集介绍

2024-06-22 02:12
文章标签 数据 常见 介绍 系列 轨迹 预测 车辆

本文主要是介绍车辆轨迹预测系列 (二)：常见数据集介绍，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

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

这篇关于车辆轨迹预测系列 (二)：常见数据集介绍的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1082996。

相关文章

SQL 中多表查询的常见连接方式详解

SQL 中多表查询的常见连接方式详解

《SQL中多表查询的常见连接方式详解》本文介绍SQL中多表查询的常见连接方式,包括内连接（INNERJOIN）、左连接（LEFTJOIN）、右连接（RIGHTJOIN）、全外连接（FULLOUTER... 目录一、连接类型图表（ASCII 形式）二、前置代码（创建示例表）三、连接方式代码示例1. 内连接（I
阅读更多...
Python安装时常见报错以及解决方案

Python安装时常见报错以及解决方案

《Python安装时常见报错以及解决方案》：本文主要介绍在安装Python、配置环境变量、使用pip以及运行Python脚本时常见的错误及其解决方案,文中介绍的非常详细,需要的朋友可以参考下... 目录一、安装 python 时常见报错及解决方案（一）安装包下载失败（二）权限不足二、配置环境变量时常见报错及
阅读更多...
Redis的数据过期策略和数据淘汰策略

Redis的数据过期策略和数据淘汰策略

《Redis的数据过期策略和数据淘汰策略》本文主要介绍了Redis的数据过期策略和数据淘汰策略,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一... 目录一、数据过期策略1、惰性删除2、定期删除二、数据淘汰策略1、数据淘汰策略概念2、8种数据淘汰策略
阅读更多...
轻松上手MYSQL之JSON函数实现高效数据查询与操作

轻松上手MYSQL之JSON函数实现高效数据查询与操作

《轻松上手MYSQL之JSON函数实现高效数据查询与操作》：本文主要介绍轻松上手MYSQL之JSON函数实现高效数据查询与操作的相关资料,MySQL提供了多个JSON函数,用于处理和查询JSON数... 目录一、jsON_EXTRACT 提取指定数据二、JSON_UNQUOTE 取消双引号三、JSON_KE
阅读更多...
Python给Excel写入数据的四种方法小结

Python给Excel写入数据的四种方法小结

《Python给Excel写入数据的四种方法小结》本文主要介绍了Python给Excel写入数据的四种方法小结,包含openpyxl库、xlsxwriter库、pandas库和win32com库,具有... 目录1. 使用 openpyxl 库2. 使用 xlsxwriter 库3. 使用 pandas 库
阅读更多...
SpringBoot定制JSON响应数据的实现

SpringBoot定制JSON响应数据的实现

《SpringBoot定制JSON响应数据的实现》本文主要介绍了SpringBoot定制JSON响应数据的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们... 目录前言一、如何使用@jsonView这个注解？二、应用场景三、实战案例注解方式编程方式总结 前言
阅读更多...
使用Python在Excel中创建和取消数据分组

使用Python在Excel中创建和取消数据分组

《使用Python在Excel中创建和取消数据分组》Excel中的分组是一种通过添加层级结构将相邻行或列组织在一起的功能,当分组完成后,用户可以通过折叠或展开数据组来简化数据视图,这篇博客将介绍如何使... 目录引言使用工具python在Excel中创建行和列分组Python在Excel中创建嵌套分组Pyt
阅读更多...
在Rust中要用Struct和Enum组织数据的原因解析

在Rust中要用Struct和Enum组织数据的原因解析

《在Rust中要用Struct和Enum组织数据的原因解析》在Rust中,Struct和Enum是组织数据的核心工具,Struct用于将相关字段封装为单一实体,便于管理和扩展,Enum用于明确定义所有... 目录为什么在Rust中要用Struct和Enum组织数据？一、使用struct组织数据：将相关字段绑
阅读更多...
在Mysql环境下对数据进行增删改查的操作方法

在Mysql环境下对数据进行增删改查的操作方法

《在Mysql环境下对数据进行增删改查的操作方法》本文介绍了在MySQL环境下对数据进行增删改查的基本操作,包括插入数据、修改数据、删除数据、数据查询（基本查询、连接查询、聚合函数查询、子查询）等,并... 目录一、插入数据：二、修改数据：三、删除数据：1、delete from 表名;2、truncate
阅读更多...
Go语言利用泛型封装常见的Map操作

Go语言利用泛型封装常见的Map操作

《Go语言利用泛型封装常见的Map操作》Go语言在1.18版本中引入了泛型,这是Go语言发展的一个重要里程碑,它极大地增强了语言的表达能力和灵活性,本文将通过泛型实现封装常见的Map操作,感... 目录什么是泛型泛型解决了什么问题Go泛型基于泛型的常见Map操作代码合集总结什么是泛型泛型是一种编程范式，允
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2