TaCarla: 面向端到端自动驾驶的综合性基准数据集
机器人学
2026-04-03 v3 人工智能
摘要
收集高质量数据集是一项关键任务，需要严格注意细节，否则整个数据集将不可用。自动驾驶挑战仍是一个突出的研究领域，需进一步探索以提升车辆的感知和规划性能。然而，现有数据集往往不完整：包括感知信息的数据集通常缺乏规划数据，而规划数据集通常包含大量驾驶序列，其中ego车辆主要以直线驾驶，提供的行为多样性有限。此外，许多真实数据集在评估模型时困难重重，尤其是针对规划任务，因缺乏proper的闭环评估设置。近期出现的CARLA Leaderboard 2.0挑战，提供了一套多样化的场景以解决自动驾驶中的长尾问题，已成为开发感知和规划模型的有价值替代平台，支持开放式和闭环评估设置。然而，现有在此平台上收集的数据集存在某些局限：部分数据集主要针对特定传感器配置进行设计，具有特定的传感器配置。为支持端到端自动驾驶研究，我们在CARLA仿真环境中收集了新的一大数据集，包含超过285万帧，覆盖多样化的Leaderboard 2.0挑战场景。该数据集不仅支持规划任务，还支持动态目标检测、车道标线检测、中心线检测、红绿灯识别、预测任务和视觉语言动作模型。我们进一步通过训练各种模型来展示其多样性。此外，我们还提供数值稀有度分数，以了解当前状态在数据集中出现的稀有程度。
引用
@article{arxiv.2602.23499,
title = {TaCarla: A comprehensive benchmarking dataset for end-to-end autonomous driving},
author = {Tugrul Gorgulu and Atakan Dag and M. Esat Kalfaoglu and Halil Ibrahim Kuru and Baris Can Cam and Halil Ibrahim Ozturk and Ozsel Kilinc},
journal= {arXiv preprint arXiv:2602.23499},
year = {2026}
}