ROVR-Open-Dataset：面向自动驾驶的大规模深度数据集
计算机视觉与模式识别
2026-05-19 v3
摘要
深度估计是自动驾驶及其他在开放城市环境中运行的无人系统进行空间感知的基本组成部分。现有深度数据集如 KITTI、nuScenes 和 DDAD 已为该领域推进，但受限于多样性和可扩展性，其上的基准性能正逼近饱和。其次一个被较少讨论的约束是感知经济学：这些数据集背后的定制多 LiDAR 装置昂贵、耗电且难以在规模化 fleet 中复制，这限制了单个基准所能覆盖的地理和时间多样性。我们提出了 ROVR，一个大规模、多样化且成本高效的深度数据集，旨在捕捉真实驾驶场景的复杂性。ROVR 包含跨高速公路、农村和城市场景的 20 万高分辨率帧，覆盖日夜循环及恶劣天气条件，数据采集于北美、欧洲和亚洲。我们另外发布了校准、同步、预处理及隐私保护流程，以便第三方可复现该平台。轻量级获取流程实现了可扩展采集，稀疏但统计上足够的地面真值经密度消耗实验验证，支持稳健的模型训练。广泛的消融研究进一步刻画了在不同场景类型、照明、天气条件及地面真值稀疏度水平下的性能，并识别出三类在当前体系结构中共享的质量差异——光谱崩溃、几何混淆和范围饱和。该数据集、数据加载器、校准与隐私流程以及评估代码已在 \url{https://xiandaguo.net/ROVR-Open-Dataset} 公开可用。
引用
@article{arxiv.2508.13977,
title = {ROVR-Open-Dataset: A Large-Scale Depth Dataset for Autonomous Driving},
author = {Xianda Guo and Ruijun Zhang and Yiqun Duan and Ruilin Wang and Matteo Poggi and Keyuan Zhou and Wenzhao Zheng and Wenke Huang and Gangwei Xu and Yanlun Peng and Yuan Si and Qin Zou},
journal= {arXiv preprint arXiv:2508.13977},
year = {2026}
}