CARD: 面向挑战性路面地形的多模态汽车数据集用于稠密3D重建
计算机视觉与模式识别
2026-05-08 v2
摘要
自动驾驶必须能够在多样化的路面上运行，以实现安全的移动。然而，大多数驾驶数据集是在平整平坦的道路上采集的。此外，近期的驾驶数据集主要提供稀疏的LiDAR地面真值，用于图像，这不足以评估深度估计和完成中的细粒度几何。为解决这些问题，我们引入CARD，这是一个多模态驾驶数据集，提供跨连续序列的准稠密3D地面真值，序列中包含speed bump、洞坑、不规则路面和离岸段等丰富的路面不规则性。我们的传感器套件包括同步全局快门立体相机、前后LiDAR、来自LiDAR惯性里程计的6自由度姿态、每个轮子的运动轨迹以及完整的标定。值得注意的是，我们的多LiDAR融合每帧产生约50万个有效深度像素，这是KITI Depth Completion的6.5倍，其他大多数公共驾驶数据集的平均值是其10倍。该数据集跨越约110公里和4.7小时，覆盖德国和意大利。在此基础上，CARD提供针对路面不规则性的2D边界框，使我们能够准确地对几何和感知任务进行基准测试。此外，我们在CARD上建立了针对路面不规则性的标准化评估协议，并对最先进的深度估计模型进行基准测试，以提供强大的基线。CARD数据集托管在https://huggingface.co/CARD-Data上。
引用
@article{arxiv.2605.05014,
title = {CARD: A Multi-Modal Automotive Dataset for Dense 3D Reconstruction in Challenging Road Topography},
author = {Gasser Elazab and Frank Neuhaus and Tilman Koß and Malte Splietker and Aditya Date and Michael Unterreiner and Maximilian Jansen and Olaf Hellwich},
journal= {arXiv preprint arXiv:2605.05014},
year = {2026}
}
备注
Accepted at CVPR 2026 (Highlight). Project page: https://card.content.cariad.digital