來源：3D視覺工坊

1. 寫在前面

發(fā)自動駕駛論文哪少的了數(shù)據(jù)集，今天筆者將為大家推薦一篇最新的綜述，總結(jié)了200多個自動駕駛領(lǐng)域的數(shù)據(jù)集，大家堆工作量的時候也可以找一些小眾的數(shù)據(jù)集刷榜~

下面一起來閱讀一下這項工作

2. 摘要

近年來，隨著硬件和深度學(xué)習(xí)方法的發(fā)展，自動駕駛技術(shù)得到了快速發(fā)展，并表現(xiàn)出良好的性能。高質(zhì)量的數(shù)據(jù)集是開發(fā)可靠的自動駕駛算法的基礎(chǔ)。以前的數(shù)據(jù)集調(diào)查試圖審查數(shù)據(jù)集，但要么集中在有限的數(shù)量上，要么缺乏對數(shù)據(jù)集特征的詳細調(diào)查。為此，我們從多個角度對超過200個自動駕駛數(shù)據(jù)集進行了詳盡的研究，包括傳感器模態(tài)、數(shù)據(jù)大小、任務(wù)和上下文條件。我們引入了一個新的度量來評估每個數(shù)據(jù)集的影響，這也可以作為建立新數(shù)據(jù)集的指南。我們進一步分析了數(shù)據(jù)集的標注過程和標注質(zhì)量。此外，我們對幾個重要數(shù)據(jù)集的數(shù)據(jù)分布進行了深入分析。最后，討論了未來自動駕駛數(shù)據(jù)集的發(fā)展趨勢。

3. 和其他綜述的對比

先看一下主流數(shù)據(jù)集的BEV對象分布。每個熱力圖對應(yīng)一個以X和Y坐標繪制的數(shù)據(jù)集，Y是自車的行駛方向。每個數(shù)據(jù)集特有的標注特征體現(xiàn)在邊界框的分布范圍、密度和數(shù)量上。

和其他數(shù)據(jù)集綜述的對比：包括收集的數(shù)據(jù)集數(shù)量(Dataset )、相關(guān)任務(wù)（Tasks）、傳感域( S.domain )、傳感器模態(tài)( S.Moda . )、幾何條件( Geo . )、環(huán)境條件( Env . )、數(shù)據(jù)分布（Data Analysis）、標注質(zhì)量和過程。任務(wù)類型用粗粒度來描述，包括感知( Perc . )、預(yù)測( Pred . )、規(guī)劃( PL . )、控制( C . )、端到端 ( E2E )。

總結(jié)了自動駕駛數(shù)據(jù)集發(fā)布的趨勢。自動駕駛數(shù)據(jù)集在2015年至2020快速增長，然后緩慢下降。相比之下，V2X數(shù)據(jù)集有增加的趨勢，顯示了協(xié)作感知系統(tǒng)的研究趨勢。

4. 文章結(jié)構(gòu)

這篇綜述主要分類包括影響評分、傳感器和模態(tài)、自動駕駛?cè)蝿?wù)、重要數(shù)據(jù)集和標注過程。

自動駕駛?cè)蝿?wù)中使用傳感器的模態(tài)總結(jié)。

傳感器數(shù)量分布，RGB相機和激光雷達是自動駕駛數(shù)據(jù)集中使用最多的傳感器。

自動駕駛pipeline總結(jié)：自動駕駛系統(tǒng)可以分為兩種類型：基于模塊的和端到端的。

自動駕駛?cè)蝿?wù)的總結(jié)。

2007年到2023年的數(shù)據(jù)集發(fā)布的時間線。

高影響感知數(shù)據(jù)集的總結(jié)。

5. 總結(jié)

這篇文章對200多個現(xiàn)有的自動駕駛數(shù)據(jù)集進行了全面系統(tǒng)的回顧和分析。從與自動駕駛數(shù)據(jù)集相關(guān)的傳感器類型和模態(tài)、感知域和任務(wù)入手。為了驗證感知數(shù)據(jù)集的影響力和重要性，引入了一個新的評價指標- -影響評分。之后展示了幾個涉及感知、預(yù)測、規(guī)劃、控制和端到端自動駕駛的高影響力數(shù)據(jù)集。還對自動駕駛數(shù)據(jù)集的標注方法進行了說明，并對影響標注質(zhì)量的因素進行了研究。

審核編輯：湯梓紅