ForestSim：用于无结构森林环境中智能车辆感知的合成基准
计算机视觉与模式识别
2026-03-31 v1
摘要
在自然、非结构化环境中运行的智能车辆需要稳健的场景理解。虽然针对结构化城市驾驶的语义分割数据集丰富，但针对极度非结构化野生环境的数据集仍稀缺，由于生成像素级标注的困难和高成本。这限制了开发感知系统的能力，这些系统用于智能地面车辆的森林自动化、农业机器人、灾难响应和全地形移动。为此，我们提出了ForestSim，一个用于训练和评估智能车辆在森林密集的离地面和无路面环境中的语义分割模型的高保真合成数据集。ForestSim包含2094张高保真图像，覆盖25个多样化环境，包括多个季节、地形类型和植被密度。使用与Microsoft AirSim集成的Unreal Engine环境，我们生成覆盖20个与自动驾驶导航相关类的一致像素级标签。我们使用最先进的架构对ForestSim进行基准测试，并报告了尽管面临非结构化场景的固有挑战仍表现良好的性能。ForestSim为支持下一代智能离路面车辆的感知研究提供了一个可扩展且可访问的基础。数据集和代码均公开可用：数据集：https://vailforestsim.github.io 代码：https://github.com/pragatwagle/ForestSim
关键词
引用
@article{arxiv.2603.27923,
title = {ForestSim: A Synthetic Benchmark for Intelligent Vehicle Perception in Unstructured Forest Environments},
author = {Pragat Wagle and Zheng Chen and Lantao Liu},
journal= {arXiv preprint arXiv:2603.27923},
year = {2026}
}