车辆轨迹预测系列 (二)：常见数据集介绍_轨迹预测数据集

车辆轨迹预测系列 (二)：常见数据集介绍

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

顺带一提，这里面还有一个nuScenes预测任务的比赛

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。

2、说明

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

**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

**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

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

3、下载

需要注册账号选择需要的数据集下载即可

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

3、备注

这个项目视乎已终止且未得到积极维护

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

点击下载

https://www.argoverse.org/av2.html#download-link

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

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

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

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

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

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

2、数据集下载

https://www.cvlibs.net/datasets/kitti/eval_tracking.php

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