ParkingScenes：用于仿真场景中端到端自动泊车的结构化数据集

自动泊车是智能驾驶系统中的关键且具挑战性的任务，尤其是在空间受限的城市环境中，需精确控制以完成机动 maneuver。虽然近期的端到端学习方法在该领域取得了显著进展，但缺乏为泊车场景量身定制的高质量、结构化数据集仍是显著瓶颈。为此，我们提出 ParkingScenes，一个专为仿真场景下的端到端自动泊车设计的综合性多模态数据集。该数据集基于 CARLA 模拟器构建，包含由 Hybrid A* 规划器和模型预测控制器（MPC）生成的结构化泊车轨迹，提供准确且可复现的监督信号。数据集包含 16 种倒车入库和 6 种平行泊车场景，每个场景在行人存在与否两种条件下执行，共产生 704 个结构化剧集和约 105000 帧。每个场景重复 16 次以确保覆盖一致性。每帧数据包含来自四个 RGB 相机、四个深度传感器、车辆运动状态以及鸟瞰视角（BEV）表示的同步数据，支持丰富的多模态融合和情境感知学习。为展示数据集的实用性，我们在相同条件下比较在 ParkingScenes 上训练的模型与在非结构化、人工收集的仿真数据上训练的模型。结果在性能上显著提升，凸显了结构化监督对稳健和准确泊车策略学习的有效性。通过发布数据集及其收集框架，ParkingScenes 建立了一个可扩展且可复现的基准，推动学习基于的自动泊车系统发展。该数据集和收集框架将在：https://github.com/haonan-ai/ParkingScenes 发布。