|
选自robotcar-dataset.robots 机器之心编译 参与：李泽南、李亚洲 牛津近日公布RobotCar 自动驾驶数据集 ，该数据集包含一年内英国牛津市内固定驾驶线路 100 次的重复驾驶数据。该数据集捕捉了许多不同的天气、交通、行人结合出来的路况，也包含建筑和道路施工这样的长期变化。 数据集下载链接：#citation 数据集中不同位置的 3D 地图 自动驾驶汽车研究极其依靠大量高质量的真实数据，因其在公共道路部署前需要开发、测试并验证算法。但是，少有团队有能力开发并维持一个适用的自动驾驶平台，定期校准并收集新数据。在计算机视觉业内，目前已有一系列基于视觉的自动驾驶数据集，其中包括 KITTI 和 Citycapes 数据集。这些数据集主要用于算法研究，如在自动驾驶中进行运动估算，三维重建，行人车辆探测和语义分类。它们无法解决自动驾驶长期面临的挑战：同一地点在不同交通状况和环境下的情形，以及随时间变化不停改变的地图映射。 牛津大学的研究人员推出了一个新的基准：牛津 RobotCar 数据集。这一数据集包含牛津大学从 2014 年 4 月到 2015 年 12 月间通过牛津 RobotCar 平台（使用日产 LEAF 自动驾驶汽车）平均每周在牛津市中心运行 10 公里路线产生的数据。总计约 1010 公里驾驶数据，同时包含超过 2000 万张由六台车载相机拍摄的图片，以及激光测距，GPS 和惯性导航收集的地貌资料，容量 23.15TB。在数据收集期间，车辆完全处于人工驾驶状态。这些数据中存在所有天气情况，包括雨雪，夜间，直射阳光。在数据集收集的一年时间里，车辆运行在同一区域，但这一地区的道路和建筑情况出现了很大改变。通过一年时间频繁地通行在同一路线中，研究人员可以探究在现实世界动态城市环境中自动驾驶车辆如何进行定位和地图映射。
数据集中不同天气条件下车辆的运行次数 牛津大学已将这一数据集和研究成果发布，可供下载。他们同时提供一组 MATLAB 开发工具，atv，以便于访问和操作数据集。其功能包括加载和显示图像，激光测距扫描等简单功能。以及一些高级功能，包括从推扫式 2D 扫描生成 3D 点云，以及将 3D 点云投影到相机图像中。 ©本文由机器之心编译，转载请联系本公众号获得授权。 ?------------------------------------------------ 加入机器之心（全职记者/实习生）：[email protected] 投稿或寻求报道：[email protected] 广告&商务合作：[email protected] (责任编辑：本港台直播) |
