用于基准测试新型驾驶视图合成的跨车道数据集 XLD

通过仿真进行自动驾驶系统的全面测试是确保自动驾驶车辆安全的关键要求。这需要生成超出真实世界数据收集局限的安全关键场景，因为这些场景在公共道路上相对罕见或很少遇到。然而，大多数现有新视角合成（NVS）方法的评估依赖于从训练数据中零星抽取图像帧，将渲染图像与真实图像进行比较。不幸的是，这种评估协议无法满足封闭式仿真的实际要求。具体而言，真实应用需求是能够渲染超出原始轨迹的新视角（如跨车道视图），而这些视图在现实世界中难以捕获。为此，本文提出了一个用于新型驾驶视图合成评估的合成数据集，专为自动驾驶仿真设计。该独特数据集包括1-4米偏离训练轨迹的测试图像。数据集包含六个序列，覆盖各种时间和天气条件。每个序列包含450张训练图像、120张测试图像，以及相应的相机姿态和内参。借助该数据集，我们建立了在前端摄像头和多摄像头设置下评估现有NVS方法的第一个真实基准。实验结果表明，当前方法在满足跨车道或封闭式仿真的严苛要求方面存在显著差距，揭示了其不足以满足这些需求的能力。