無人駕駛數(shù)據(jù)集你只知道Kitti嗎？而實際比你想象的多。

H3D - HRI-US（地址：https://usa.honda-ri.com/hdd/introduction/h3d）本田研究所于2019年3月發(fā)布其無人駕駛方向數(shù)據(jù)集，相關(guān)介紹于https://arxiv.org/abs/1903.01568介紹。本數(shù)據(jù)集使用3D LiDAR掃描儀收集的大型全環(huán)繞3D多目標檢測和跟蹤數(shù)據(jù)集。其包含160個擁擠且高度互動的交通場景，在27,721幀中共有100萬個標記實例。憑借獨特的數(shù)據(jù)集大小，豐富的注釋和復雜的場景，H3D聚集在一起，以激發(fā)對全環(huán)繞3D多目標檢測和跟蹤的研究。

nuScenes（地址：https://www.nuscenes.org/）安波福于2019年3月正式公開了其數(shù)據(jù)集，并已在GitHub（地址：https://github.com/nutonomy/nuscenes-devkit）公開教程。數(shù)據(jù)集擁有從波士頓和新加坡收集的1000個“場景”的信息，包含每個城市環(huán)境中都有的最復雜的一些駕駛場景。該數(shù)據(jù)集由140萬張圖像、39萬次激光雷達掃描和140萬個3D人工注釋邊界框組成，是迄今為止公布的最大的多模態(tài)3D 無人駕駛數(shù)據(jù)集。

ApolloCar3D該數(shù)據(jù)集包含5,277個駕駛圖像和超過60K的汽車實例，其中每輛汽車都配備了具有絕對模型尺寸和語義標記關(guān)鍵點的行業(yè)級3D CAD模型。該數(shù)據(jù)集比PASCAL3D +和KITTI（現(xiàn)有技術(shù)水平）大20倍以上。

KITTI Vision Benchmark Suite（地址：

http://www.cvlibs.net/datasets/kitti/raw_data.php）數(shù)據(jù)集為使用各種傳感器模式，例如高分辨率彩色和灰度立體相機，Velodyne 3D激光掃描儀和高精度GPS/IMU慣性導航系統(tǒng)，在10-100 Hz下進行6小時拍攝的交通場景。

Cityscape Dataset（地址：https://www.cityscapes-dataset.com/）專注于對城市街景的語義理解。大型數(shù)據(jù)集，包含從50個不同城市的街景中記錄的各種立體視頻序列，高質(zhì)量的像素級注釋為5000幀，另外還有一組較大的20000個弱注釋幀。因此，數(shù)據(jù)集比先前的類似嘗試大一個數(shù)量級?？梢允褂脦ё⑨尩念惖脑敿毿畔⒑妥⑨屖纠?/p>

Mapillary Vistas Dataset（地址：https://www.mapillary.com/dataset/vistas?pKey=xyW6a0ZmrJtjLw2iJ71Oqg&lat=20&lng=0&z=1.5）數(shù)據(jù)集是一個新穎的大規(guī)模街道級圖像數(shù)據(jù)集，包含25,000個高分辨率圖像，注釋為66個對象類別，另有37個類別的特定于實例的標簽。通過使用多邊形來描繪單個對象，以精細和細粒度的樣式執(zhí)行注釋。

CamVid

（地址：http://mi.eng.cam.ac.uk/research/projects/VideoRec/CamVid/）劍橋駕駛標簽視頻數(shù)據(jù)庫（CamVid）是第一個具有對象類語義標簽的視頻集合，其中包含元數(shù)據(jù)。數(shù)據(jù)庫提供基礎(chǔ)事實標簽，將每個像素與32個語義類之一相關(guān)聯(lián)。該數(shù)據(jù)庫解決了對實驗數(shù)據(jù)的需求，以定量評估新興算法。雖然大多數(shù)視頻都使用固定位置的閉路電視風格相機拍攝，但我們的數(shù)據(jù)是從駕駛汽車的角度拍攝的。駕駛場景增加了觀察對象類的數(shù)量和異質(zhì)性。

Caltech數(shù)據(jù)集（地址：

http://www.vision.caltech.edu/Image_Datasets/CaltechPedestrians/） - 加州理工學院行人數(shù)據(jù)集包括大約10小時的640x480 30Hz視頻，這些視頻來自在城市環(huán)境中通過常規(guī)交通的車輛。大約250,000個幀（137個近似分鐘的長段）共有350,000個邊界框和2300個獨特的行人被注釋。注釋包括邊界框和詳細遮擋標簽之間的時間對應(yīng)。更多信息可以在我們的PAMI 2012和CVPR 2009基準測試文件中找到。

Comma.ai（地址：https://archive.org/details/comma-dataset）7.25小時的高速公路駕駛。包含10個可變大小的視頻片段，以20 Hz的頻率錄制，相機安裝在Acura ILX 2016的擋風玻璃上。與視頻平行，還記錄了一些測量值，如汽車的速度、加速度、轉(zhuǎn)向角、GPS坐標，陀螺儀角度。這些測量結(jié)果轉(zhuǎn)換為均勻的100 Hz時基。

Oxford's Robotic Car（地址：https://robotcar-dataset.robots.ox.ac.uk/） - 超過100次重復對英國牛津的路線進行一年多采集拍攝。該數(shù)據(jù)集捕獲了許多不同的天氣，交通和行人組合，以及建筑和道路工程等長期變化。

伯克利BDD100K數(shù)據(jù)（地址：https://bdd-data.berkeley.edu/）超過100K的視頻和各種注釋組成，包括圖像級別標記，對象邊界框，可行駛區(qū)域，車道標記和全幀實例分割，該數(shù)據(jù)集具有地理，環(huán)境和天氣多樣性。

Udacity（地址：https://github.com/udacity/self-driving-car/tree/master/datasets） - 為Udacity Challenges（地址：https://cn.udacity.com/course/self-driving-car-engineer--nd013）發(fā)布的Udacity數(shù)據(jù)集。包含ROSBAG訓練數(shù)據(jù)。（大約80 GB）。

University of Michigan North Campus Long-Term Vision and LIDAR Dataset（地址：http://robots.engin.umich.edu/nclt/） - 包括全方位圖像，3D激光雷達，平面激光雷達，GPS和本體感應(yīng)傳感器，用于使用Segway機器人收集的測距。

University of Michigan Ford Campus Vision and Lidar Data Set（地址：http://robots.engin.umich.edu/SoftwareData/Ford）基于改進的福特F-250皮卡車的自動地面車輛測試臺收集的數(shù)據(jù)集。該車配備了專業(yè)（Applanix POS LV）和消費者（Xsens MTI-G）慣性測量單元（IMU），Velodyne 3D激光雷達掃描儀，兩個推掃式前視Riegl激光雷達和Point Grey Ladybug3全方位攝像頭系統(tǒng)。

DIPLECS Autonomous Driving Datasets (2015)（地址：https://cvssp.org/data/diplecs/）通過在Surrey鄉(xiāng)村周圍駕駛的汽車中放置高清攝像頭來記錄數(shù)據(jù)集。該數(shù)據(jù)集包含大約30分鐘的駕駛時間。視頻為1920x1080，采用H.264編解碼器編碼。通過跟蹤方向盤上的標記來估計轉(zhuǎn)向。汽車的速度是從汽車的速度表OCR估算的（但不保證方法的準確性）。

Velodyne SLAM Dataset from Karlsruhe Institute of Technology（地址：

https://www.mrt.kit.edu/z/publ/download/velodyneslam/dataset.html）在德國卡爾斯魯厄市使用Velodyne HDL64E-S2掃描儀記錄的兩個具有挑戰(zhàn)性的數(shù)據(jù)集。

SYNTHetic collection of Imagery and Annotations (SYNTHIA)（地址：http://synthia-dataset.net/）包括從虛擬城市渲染的照片般逼真的幀集合，并為13個類別提供精確的像素級語義注釋：misc，天空，建筑，道路，人行道，圍欄，植被，桿，汽車，標志，行人， 騎自行車的人，車道標記。

CSSAD Dataset（地址：http://aplicaciones.cimat.mx/Personal/jbhayet/ccsad-dataset） 包括若干真實世界的立體數(shù)據(jù)集，用于在自動駕駛車輛的感知和導航領(lǐng)域中開發(fā)和測試算法。然而，它們都沒有記錄在發(fā)展中國家，因此它們?nèi)狈υ诮值篮偷缆飞峡梢哉业降奶厥馓卣?，如豐富的坑洼，減速器和特殊的行人流。該立體數(shù)據(jù)集是從移動的車輛記錄的，并且包含高分辨率立體圖像，其補充有從IMU，GPS數(shù)據(jù)和來自汽車計算機的數(shù)據(jù)獲得的定向和加速度數(shù)據(jù)。

Daimler Urban Segmetation Dataset（地址：http://www.6d-vision.com/scene-labeling） 包括城市交通中記錄的視頻序列。該數(shù)據(jù)集由5000個經(jīng)過校正的立體圖像對組成，分辨率為1024x440。500幀（序列的每10幀）帶有5個類的像素級語義類注釋：地面，建筑，車輛，行人，天空。提供密集視差圖作為參考，但是這些不是手動注釋的，而是使用半全局匹配（sgm）計算的。

Self Racing Cars- XSens/Fairchild Dataset（地址：http://data.selfracingcars.com/）文件包括來自Fairchild FIS1100 6自由度（DoF）IMU，F(xiàn)airchild FMT-1030 AHRS，Xsens MTi-3 AHRS和Xsens MTi-G-710 GNSS / INS的測量結(jié)果。事件中的文件都可以在MT Manager軟件中讀取，該軟件可作為MT軟件套件的一部分提供，可在此處獲得。

MIT AGE Lab（地址：http://lexfridman.com/automated-synchronization-of-driving-data-video-audio-telemetry-accelerometer/） - 由AgeLab收集的1,000多小時多傳感器駕駛數(shù)據(jù)集的一小部分樣本。

LaRA（地址：http://www.lara.prd.fr/lara）-巴黎的交通信號燈數(shù)據(jù)集

KUL Belgium Traffic Sign Dataset（地址：http://www.vision.ee.ethz.ch/~timofter/traffic_signs/） - 具有10000多個交通標志注釋的大型數(shù)據(jù)集，數(shù)千個物理上不同的交通標志。用8個高分辨率攝像頭錄制的4個視頻序列安裝在一輛面包車上，總計超過3個小時，帶有交通標志注釋，攝像機校準和姿勢。大約16000張背景圖片。這些材料通過GeoAutomation在比利時，佛蘭德斯地區(qū)的城市環(huán)境中捕獲。

LISA: Laboratory for Intelligent & Safe Automobiles, UC San Diego Datasets（地址：http://cvrr.ucsd.edu/LISA/datasets.html）交通標志，車輛檢測，交通燈，軌跡模式。

博世小交通燈（地址：https://hci.iwr.uni-heidelberg.de/node/6132） - 用于深度學習的小型交通燈的數(shù)據(jù)集。

Multisensory Omni-directional Long-term Place Recognition (MOLP) dataset for autonomous driving（地址：http://hcr.mines.edu/code/MOLP.html） - 它是在美國科羅拉多州的一年內(nèi)使用全向立體相機錄制的。論文（地址：https://arxiv.org/abs/1704.05215）

DeepTesla（地址：https://selfdrivingcars.mit.edu/deeptesla/）：主要包括tesla在兩種不同駕駛模式（human driving和autopilot）下的前置相機錄制的視頻和車輛的轉(zhuǎn)向控制信號。數(shù)據(jù)可以從這里下載:百度云（地址：https://pan.baidu.com/s/1c2J2IFA#list/path=%2F）。可以參考此GitHub（地址：https://github.com/CJHMPower/deep-tesla）

看到其他數(shù)據(jù)將繼續(xù)更新。。。