自动驾驶感知中的可扩展性：Waymo Open Dataset
计算机视觉与模式识别
2020-05-24 v7 机器学习
机器学习
摘要
尽管获取具代表性的真实世界数据资源密集，研究界对自动驾驶研究的兴趣与日俱增。现有自动驾驶数据集在所捕获环境的规模与多样性上受限，尽管在运行区域内及区域间的泛化对该技术整体可行性至关重要。为助力研究界的贡献与真实世界自动驾驶问题对齐，我们引入一个新的大规模、高质量、多样化数据集。我们的新数据集包含1150个场景，每个时长20秒，由跨越一系列城市与郊区地理区域捕获的良同步且校准的高质量LiDAR与相机数据组成。基于我们提出的多样性度量，其多样性是现有最大相机+LiDAR数据集的15倍。我们以2D（相机图像）与3D（LiDAR）边界框详尽标注该数据，并在帧间保持一致的标识符。最后，我们为2D及3D检测与跟踪任务提供强基线。我们进一步研究数据集规模与跨地理泛化对3D检测方法的影响。请访问 http://www.waymo.com/open 获取数据、代码及更多最新信息。
引用
@article{arxiv.1912.04838,
title = {Scalability in Perception for Autonomous Driving: Waymo Open Dataset},
author = {Pei Sun and Henrik Kretzschmar and Xerxes Dotiwalla and Aurelien Chouard and Vijaysai Patnaik and Paul Tsui and James Guo and Yin Zhou and Yuning Chai and Benjamin Caine and Vijay Vasudevan and Wei Han and Jiquan Ngiam and Hang Zhao and Aleksei Timofeev and Scott Ettinger and Maxim Krivokon and Amy Gao and Aditya Joshi and Sheng Zhao and Shuyang Cheng and Yu Zhang and Jonathon Shlens and Zhifeng Chen and Dragomir Anguelov},
journal= {arXiv preprint arXiv:1912.04838},
year = {2020}
}
备注
CVPR 2020