El artículo anterior compartió dos informes sobre el radar Oculii 4D. El conjunto de datos es una herramienta de investigación muy importante. Para el campo del radar 4D, está a la vanguardia de la investigación. Hay pocos conjuntos de datos públicos. Los conjuntos de datos disponibles actualmente son: 
Los conjuntos de datos en estos artículos han sido escritos por muchos blogueros, pero a menudo son traducciones de los textos originales de los autores. La adquisición y el uso real básicamente no están cubiertos. Este artículo explicará estos conjuntos de datos con más profundidad y de forma más concreta, y dar Cómo conseguirlo, cómo usarlo, precauciones, etc.
Tabla de contenido
1. Conjunto de datos de Astyx: Tiempo 2019
4. TJ4DRadSet (2022) actualmente no es de código abierto
Actualizar registro:
El conjunto de datos de Tj4D ya está disponible y debe firmar un acuerdo de confidencialidad y enviarlo al buzón para obtenerlo de la otra parte (comenzará a procesarse después del 7 de febrero). -------2023. 0207
1. Conjunto de datos de Astyx: Tiempo 2019
原文：Conjunto de datos de radar automotriz para detección de objetos 3D basada en aprendizaje profundo
Está escrito en el artículo que su método de adquisición es: www.astyx.net (no encontré la entrada del conjunto de datos después de abrirla)
Método de adquisición actual: https://github.com/under-the-radar/radar_dataset_astyx
El conjunto de datos es relativamente pequeño y se puede obtener directamente.
A continuación, introduzca brevemente este conjunto de datos:
El propósito del autor de establecer este conjunto de datos es proporcionar a la comunidad investigadora datos de radar de alta resolución y facilitar y facilitar la investigación sobre algoritmos que utilizan datos de sensores de radar. Debido a que hay pocos conjuntos de datos que presten atención al radar, el único conjunto de datos de piloto automático que contiene datos de radar en ese momento es el conjunto de datos nuScense, pero los datos de radar que contiene son 2D y muy dispersos (alrededor de 100), la nube de puntos en este conjunto de datos puede llegar a unos 1000 puntos, el equipo utilizado para recopilar este conjunto de datos es:
En la actualidad, el rendimiento del radar es promedio, el rango de alcance es de 100 m y el campo de visión es de 110*10; el lidar usa Velodyne 16 líneas y la cámara usa una cámara de punto gris de 8 bits y 120 W de píxeles.
La calibración adopta el clásico método de inversión de esquina y tablero de ajedrez, y la calibración de los parámetros internos se lleva a cabo fuera de línea. La calibración de los parámetros externos se realiza en pares.
Para la anotación de la caja GT: la precisión del lidar para reflejar las coordenadas físicas reales es la más alta entre ellos, y la cámara es muy importante. Aquí, el autor lo considera como un ajuste fino para el láser; para el radar , la resolución angular y la detección del lidar Debido a limitaciones de distancia, es posible que los objetivos de larga distancia no aparezcan en el "área de vista común" del sensor (esto es similar a no importa en kitti). Aquí, siempre que el El radar y la cámara pueden ver la vista común, se marcarán . Como se muestra abajo:
Al mismo tiempo, invisible también está etiquetado, lo que significa que esos objetos físicos no tienen ninguna medición de cámara o lidar, pero son claramente visibles en los datos del radar (por ejemplo, a través de reflejos de trayectos múltiples que se propagan debajo de otros automóviles) y pueden estar relacionados. por referencia de tiempo Arriba: se vuelve visible antes o después durante el registro de datos. ( Significa que los objetos que existen, pero que no pueden ser capturados por cámaras y lidar, pero pueden ser encontrados por radar a través de algunos métodos, también están marcados ).
Los autores extraen los datos para los que la red tiene más incertidumbre sobre su toma de decisiones de N marcos de datos preetiquetados automáticamente, y corrigen estos datos mediante un ajuste manual para maximizar la ganancia de información de la red en el próximo entrenamiento y pre. -rondas de etiquetado. (etiquetado automático + manual)
Este conjunto de datos proporciona un total de 7 categorías: autobús, automóvil, ciclista, motociclista, persona, remolque, camión
Las propiedades de destino anotadas son:
El formato de almacenamiento de la anotación es txt.
La distribución de puntos del lidar y el radar del objetivo: (diferentes marcos corresponden a múltiples objetivos y tamaños)
Distribución de datos:
Se puede ver que todavía está muy desequilibrado.Se puede ver en la imagen de la derecha que los marcos de los tres autos son los más. La escena también es relativamente simple.
La distribución de la orientación del automóvil:
Como se puede ver en la figura a continuación, el lidar ya no es visible para los vehículos AB y AB. Según la imagen y la nube de puntos del radar, se distingue según la orientación.
Evaluación (sin mencionar qué red se utiliza): Dividir aleatoriamente el conjunto de datos en datos de prueba y entrenamiento usando una proporción de 4:1, entrenar dos redes (cámara de radar y cámara lidar) para iteraciones de 22k, mini-lote de 16 y Clasificación, localización y la precisión de localización de los resultados se evalúa utilizando un umbral IoU de 0,5.
resultado de la evaluación:
Para coche, el resultado de radar+cámara es incluso mejor que el de Lidar+Cámara.
Observar el conjunto de datos muestra que el conjunto de datos es muy pequeño, con solo 546 fotogramas anotados de clips cortos, cada clip contiene menos de 10 fotogramas.
La estructura general es:
El formato de datos de la cámara es jpg, el formato de datos lidar es txt, que contiene información en seis dimensiones (xyz, reflectividad, de qué cabezal láser y marca de tiempo), y los datos del radar también se proporcionan en txt, que contiene información en cinco dimensiones (xyz, velocidad y mag (debe ser intensidad)) Además, la información de calibración se proporciona en forma de json para transformar cada cuadro. Las anotaciones GT también usan el formato json, ejemplos de contenido:
{
"frame_flag": "",
"frame_index": 0,
"header": "Astyx Version_01_00",
"objects": [
{
"center3d": [
15.28,
4.24,
-0.46
],
"classname": "Car",
"created_by": "g.kuschk",
"dimension3d": [
3.66,
1.8,
1.45
],
"label_certainty": 2,
"measured_by": {
"Camera": 1,
"Lidar": 1,
"Radar": 1
},
"object_id": -1,
"occlusion": 1,
"orientation_quat": [
0.7020386802113796,
-0.03287019905010674,
0.005682565197980395,
0.711357118439284
],
"score": -1.0
},
{
"center3d": [
57.75593697820277,
-8.95030337350099,
1.7819997024076009
],
"classname": "Car",
"created_by": "g.kuschk",
"dimension3d": [
4.34,
1.81,
1.5098232605535091
],
"label_certainty": 0,
"measured_by": {
"Camera": 1,
"Lidar": 1,
"Radar": 1
},
"object_id": -1,
"occlusion": 0,
"orientation_quat": [
0.7194398517786975,
-0.03301020608906757,
0.0048577576720212606,
0.6937528581252859
],
"score": -1.0
},
{
"center3d": [
11.73,
4.59,
-0.64
],
"classname": "Car",
"created_by": "g.kuschk",
"dimension3d": [
4.15,
1.8,
1.45
],
"label_certainty": 2,
"measured_by": {
"Camera": 1,
"Lidar": 1,
"Radar": 1
},
"object_id": -1,
"occlusion": 1,
"orientation_quat": [
0.7058035625491359,
-0.03289943574160317,
0.005508833819764444,
0.7076217993891781
],
"score": -1.0
},
{
"center3d": [
9.145197640200534,
5.274276650959328,
-0.7580683445170724
],
"classname": "Car",
"created_by": "g.kuschk",
"dimension3d": [
3.77,
1.8,
1.45
],
"label_certainty": 1,
"measured_by": {
"Camera": 1,
"Lidar": 1,
"Radar": 1
},
"object_id": -1,
"occlusion": 1,
"orientation_quat": [
0.7199364568101033,
-0.03300232389003559,
0.004846831272768512,
0.6932379483266801
],
"score": -1.0
},
{
"center3d": [
6.479817221419508,
5.247589043270934,
-0.9141820375574657
],
"classname": "Car",
"created_by": "g.kuschk",
"dimension3d": [
4.48395807023072,
1.8,
1.45
],
"label_certainty": 1,
"measured_by": {
"Camera": 1,
"Lidar": 1,
"Radar": 1
},
"object_id": -1,
"occlusion": 1,
"orientation_quat": [
0.6898415239772513,
-0.004692602780714069,
-0.033023180724797714,
-0.72319162108718
],
"score": -1.0
},
{
"center3d": [
9.994624230481369,
-6.017542527527623,
-0.1464149366341636
],
"classname": "Car",
"created_by": "g.kuschk",
"dimension3d": [
3.77,
1.8,
1.3121440590076265
],
"label_certainty": 1,
"measured_by": {
"Camera": 1,
"Lidar": 1,
"Radar": 1
},
"object_id": -1,
"occlusion": 1,
"orientation_quat": [
0.7130302072899429,
-0.03295292607233075,
0.005173472708666147,
0.7003393915348938
],
"score": -1.0
},
{
"center3d": [
13.167237991660787,
-6.162813630332312,
-0.04708915908300637
],
"classname": "Car",
"created_by": "g.kuschk",
"dimension3d": [
3.9561293466010117,
1.8,
1.3121440590076265
],
"label_certainty": 1,
"measured_by": {
"Camera": 1,
"Lidar": 1,
"Radar": 1
},
"object_id": -1,
"occlusion": 1,
"orientation_quat": [
0.6950121632719635,
-0.004933161718357779,
-0.03298636965611393,
-0.7182239596646692
],
"score": -1.0
},
{
"center3d": [
18.42,
-6.81,
0.14
],
"classname": "Car",
"created_by": "g.kuschk",
"dimension3d": [
3.96,
1.8,
1.31
],
"label_certainty": 2,
"measured_by": {
"Camera": 1,
"Lidar": 1,
"Radar": 1
},
"object_id": -1,
"occlusion": 1,
"orientation_quat": [
0.7151992798301935,
-0.03296572963883116,
0.005076129151335868,
0.6981242609396919
],
"score": -1.0
},
{
"center3d": [
20.97984695193026,
-6.536436330155294,
0.23764169100863264
],
"classname": "Car",
"created_by": "g.kuschk",
"dimension3d": [
3.96,
1.8,
1.37
],
"label_certainty": 2,
"measured_by": {
"Camera": 1,
"Lidar": 1,
"Radar": 1
},
"object_id": -1,
"occlusion": 1,
"orientation_quat": [
0.7151992798301935,
-0.032965729638831244,
0.005076129151335691,
0.6981242609396919
],
"score": -1.0
},
{
"center3d": [
25.99999984503129,
-6.413659054009911,
0.3289432028830479
],
"classname": "Car",
"created_by": "g.kuschk",
"dimension3d": [
3.96,
1.8,
1.37
],
"label_certainty": 2,
"measured_by": {
"Camera": 1,
"Lidar": 1,
"Radar": 1
},
"object_id": -1,
"occlusion": 1,
"orientation_quat": [
-0.7068649813345358,
0.03289508407018742,
-0.005475805274628736,
-0.7065619768736047
],
"score": -1.0
},
{
"center3d": [
28.57,
-6.72,
0.47
],
"classname": "Car",
"created_by": "g.kuschk",
"dimension3d": [
3.96,
1.8,
1.41
],
"label_certainty": 2,
"measured_by": {
"Camera": 1,
"Lidar": 1,
"Radar": 1
},
"object_id": -1,
"occlusion": 1,
"orientation_quat": [
-0.7071073056108934,
0.005505677989137722,
0.03288670936708505,
0.7063196232645582
],
"score": -1.0
},
{
"center3d": [
17.9417990603285,
4.047919592487037,
-0.4298381193087091
],
"classname": "Car",
"created_by": "g.kuschk",
"dimension3d": [
3.66,
1.8,
1.4034827588118874
],
"label_certainty": 2,
"measured_by": {
"Camera": 1,
"Lidar": 1,
"Radar": 1
},
"object_id": -1,
"occlusion": 1,
"orientation_quat": [
0.7061942370819255,
-0.005447702826512753,
-0.03290636115848807,
-0.7072320647718813
],
"score": -1.0
},
{
"center3d": [
20.45,
4.51,
-0.31
],
"classname": "Car",
"created_by": "g.kuschk",
"dimension3d": [
4.18,
2.0,
1.5
],
"label_certainty": 2,
"measured_by": {
"Camera": 1,
"Lidar": 1,
"Radar": 1
},
"object_id": -1,
"occlusion": 1,
"orientation_quat": [
0.7072691145493584,
-0.032907514186323296,
0.005445972583162032,
0.706157090523962
],
"score": -1.0
},
{
"center3d": [
24.182930691745177,
3.957377988250483,
-0.21057144426054156
],
"classname": "Car",
"created_by": "g.kuschk",
"dimension3d": [
3.9935178142256045,
1.8765534659735825,
1.3706025545077207
],
"label_certainty": 2,
"measured_by": {
"Camera": 1,
"Lidar": 1,
"Radar": 1
},
"object_id": -1,
"occlusion": 1,
"orientation_quat": [
0.7072691145493584,
-0.032907514186323296,
0.005445972583162032,
0.706157090523962
],
"score": -1.0
},
{
"center3d": [
26.56403718760992,
3.4141810443770053,
-0.07728835626150013
],
"classname": "Car",
"created_by": "g.kuschk",
"dimension3d": [
3.99,
1.88,
1.37
],
"label_certainty": 2,
"measured_by": {
"Camera": 1,
"Lidar": 1,
"Radar": 1
},
"object_id": -1,
"occlusion": 1,
"orientation_quat": [
0.7072691145493584,
-0.032907514186323296,
0.005445972583162032,
0.706157090523962
],
"score": -1.0
},
{
"center3d": [
28.9087287526382,
2.7749496885068696,
0.061472400426277635
],
"classname": "Car",
"created_by": "g.kuschk",
"dimension3d": [
3.99,
1.88,
1.37
],
"label_certainty": 2,
"measured_by": {
"Camera": 1,
"Lidar": 1,
"Radar": 1
},
"object_id": -1,
"occlusion": 1,
"orientation_quat": [
0.7072691145493584,
-0.032907514186323296,
0.005445972583162032,
0.706157090523962
],
"score": -1.0
},
{
"center3d": [
31.80376110462618,
2.413184128432301,
0.20248894322203623
],
"classname": "Car",
"created_by": "g.kuschk",
"dimension3d": [
4.025175213620685,
1.9424920472975067,
1.37
],
"label_certainty": 2,
"measured_by": {
"Camera": 1,
"Lidar": 1,
"Radar": 1
},
"object_id": -1,
"occlusion": 1,
"orientation_quat": [
0.7072691145493584,
-0.032907514186323296,
0.005445972583162032,
0.706157090523962
],
"score": -1.0
},
{
"center3d": [
69.01,
0.68,
1.73
],
"classname": "Car",
"created_by": "g.kuschk",
"dimension3d": [
4.39,
1.83,
1.62
],
"label_certainty": 2,
"measured_by": {
"Camera": 1,
"Lidar": 1,
"Radar": 1
},
"object_id": -1,
"occlusion": 1,
"orientation_quat": [
-0.7174576529992662,
0.03299615793779559,
-0.0049519706657062896,
-0.695802592479113
],
"score": -1.0
},
{
"center3d": [
42.98202899707613,
-7.929520596676596,
0.993298589588324
],
"classname": "Car",
"created_by": "g.kuschk",
"dimension3d": [
3.7507295994605845,
1.8,
1.4635864010778035
],
"label_certainty": 2,
"measured_by": {
"Camera": 1,
"Lidar": 1,
"Radar": 1
},
"object_id": -1,
"occlusion": 1,
"orientation_quat": [
-0.7071073056108926,
0.005505677989137767,
0.032886709367085126,
0.706319623264559
],
"score": -1.0
}
]
}Puede usarlo a través de: https://github.com/wzan0001/Astyx-radar-dataset-convert-to-kitti-format
Convierta el conjunto de datos al formato kitti para su uso, este método realiza la conversión para radar .
Suplemento: vale la pena señalar que el autor usa este conjunto de datos para usar la red AVOD para fusionar la cámara y el radar de la siguiente manera:
Detección de objetos 3D basada en aprendizaje profundo para cámaras y radares de automóviles .
2. Conjunto de datos VoD 2022
原文：Detección de usuarios de carreteras multiclase con radar 3+1D en el conjunto de datos View-of-Delft
Método de acceso actual: https://docs.google.com/forms/d/e/1FAIpQLSdKvkuKbzmJTn8raJBAWgekAJCpaQLS_ED63sUS89Ezo61RCQ/viewform
Complete el formulario de solicitud, que debe ser una dirección de correo electrónico de estudiante para fines de investigación científica. Los autores que cumplan con los requisitos enviarán el enlace del conjunto de datos a su correo electrónico para su descarga. Se puede decir que es un conjunto de datos relativamente bueno actualmente disponible. Se presenta en el sitio web oficial, que es muy detallado: El conjunto de datos de View of Delft | Kit de documentación y desarrollo
Explicó que el radar de próxima generación (4D) tendrá una gran importancia en el campo de la conducción autónoma. En la investigación de ablación, el trabajo también discutió la información de altura adicional (elevación) en la detección de usuarios de carreteras de varios niveles, así como Doppler y sección transversal del radar. , Los beneficios de la acumulación de tiempo. También compara las formas de nube de puntos de lidar y radar.
El conjunto de datos contiene 8693 datos de radar 3+1D, cámara binocular y lidar de 64 líneas calibrados y sincronizados con fotogramas adquiridos en tráfico urbano complejo. Consta de 123 106 anotaciones de cuadro delimitador 3D de objetos estáticos y en movimiento, incluidas 26 587 etiquetas para peatones, 10 800 para ciclistas y 26 949 para automóviles . Los resultados muestran que la detección de objetos en datos LIDAR de 64 líneas sigue siendo mejor que los datos de radar 3+1D, pero agregar información de elevación e integración de escaneos de radar consecutivos ayuda a cerrar esta brecha.
Para la aplicación de la información Doppler, cuando se agrega el canal Doppler a PointNet++, hay una cierta mejora.
La dimensionalidad Doppler puede beneficiar la detección de objetos 3D de dos maneras:
1) Clasificación, ya que las clases pueden tener diferentes patrones de velocidad;
2) En la estimación de la dirección, la velocidad general (dirección de movimiento) de un objeto, ya que está altamente correlacionada con su dirección.
Comparación de conjuntos de datos:
Tres contribuciones de este trabajo:
1. El autor también usa PointPillars como línea de base para probar la influencia de agregar la dimensión Doppler del radar, RCS y las dimensiones del ángulo de cabeceo en los resultados;
2. Comparando el rendimiento de lidar y radar en la detección de objetivos, los resultados muestran que lidar es aún mejor, pero es previsible que la detección de radar todavía tenga un gran potencial en el futuro, y el radar es el único para la detección de la dimensión de la velocidad;
3. Proponer un conjunto de datos de VoD.
La siguiente es la descripción del conjunto de datos:
Incluye principalmente el lidar de 64 líneas de Velodyne, la cámara binocular IDS (píxeles de 230 W) y el radar 4D de ZF, con IMU, GPS, servicios RTK y velocidad de la rueda.
Se proporciona la misma sincronización que Kitti en forma de fotogramas: nube de puntos Lidar, imagen mono rectificada, nube de puntos de radar e información de transformación. Elija la marca de tiempo LIDAR como líder (la principal), el principio de selección es la marca de tiempo del vecino más cercano y la tolerancia máxima es de 50 milisegundos (el error no es pequeño). Los cuadros se ordenan temporalmente a 10 Hz (después de la sincronización) y se organizan en segmentos con una duración promedio de ~40 s. El lidar tiene compensación de movimiento , y la definición del sistema también se refiere a Kitti, incluida la definición del sistema de coordenadas y la organización del archivo . Además de esta versión síncrona del conjunto de datos, se proporcionan datos grabados asíncronamente "sin procesar" (sin procesar), incluidos todos los escaneos de radar a 13 Hz e imágenes de cámara rectificadas a 30 Hz obtenidas de las cámaras izquierda y derecha. Esto podría beneficiar a los investigadores que buscan datos temporales más ricos para la detección, el seguimiento, la predicción u otras tareas.
Reglas de etiquetado: Dentro de los 50 metros del sensor lidar, parte o todo el campo de visión de la cámara (campo de visión horizontal: ±32°, campo de visión vertical: ±22°) están marcados con 6 grados de libertad (6 grados de libertad) cuadro delimitador 3D. Hay 13 categorías , y para cada objeto se proporcionan dos tipos de oclusión ("Espacio" e "Iluminación") y un atributo de actividad ("Parar", "Mover", "Estacionar", "Empujar", "Sentarse"). ”) nivel de oclusión.
(9+4 categorías)
La anotación la realiza https://understand.ai, una subsidiaria de DSpace .
Use PointPillars como línea de base Para la codificación de puntos, tome p = [ x, y, z, v rel , RCS ] , donde la velocidad es la velocidad absoluta compensada. Es hora de fusionar nubes de puntos, usando lidar como estándar, fusionar (fusionar) hasta el último cuadro. También se propone que la mejora de datos convencional puede no ser aplicable. Por ejemplo, RCS y la dimensión de la velocidad tienen una cierta relación con la posición espacial y no pueden mejorarse arbitrariamente.
Para la prueba de rendimiento de este conjunto de datos, el autor solo seleccionó tres categorías: automóvil, peatón y ciclista. Divida el conjunto de datos en conjuntos de entrenamiento, validación y prueba en una proporción de 59 %/15 %/26 % , de modo que los fotogramas del mismo clip solo aparezcan en un clip (dividido razonablemente según diferentes clips).
El índice de evaluación usa los mismos dos AP y AOS que kitti (una clasificación de evaluación y un ángulo de evaluación). El IoU objetivo grande del automóvil usa el 50 %, mientras que los peatones y ciclistas usan 0,25 IoU. Los resultados se derivan de 1) toda el área anotada (campo de visión de la cámara de 50 m) y 2) un área más relacionada con la seguridad llamada "pasillo de conducción", definida como un rectángulo de frente de tierra [−4m<x<+4m, z <25m] coordenadas de la cámara.
Se puede ver que cuando las dimensiones están llenas, generalmente se obtienen los mejores resultados, y los resultados son mejores cuando se acumulan los escaneos 5. El autor solo hizo escaneos 3 y 5 y puede hacer más conjuntos. la línea de base es el PP de lidar, se puede ver que el efecto de lidar es mejor. El AP general cae con la distancia.
Para un ciclista, todas las propiedades RCS funcionan mejor, el movimiento circular de las ruedas y los pedales, combinado con el marco de metal altamente reflectante cerca del centro, produce un patrón de reflexión claro y distintivo que el radar puede detectar de manera más confiable.
Ejemplos de detecciones falsas: (a) fusionar objetos pequeños (dos peatones como un ciclista), (b) objetos grandes divididos en otros pequeños (un ciclista es dos peatones), (c) reflejos fuertes y desorden cercano (límites extremos y altos de metal ) y (d) muy poca reflexión de objetos distantes (peatones distantes).
conjunto de datos:
3. Conjunto de datos RADIales
原文：Radar sin procesar de alta definición para el aprendizaje multitarea
Método de adquisición del conjunto de datos: GitHub - valeoai/RADIal
El método de descarga es Google Drive: (Recordatorio: el gran conjunto de datos contiene 91 clips con una duración de 1 a 4 minutos, un total de 2 horas). https://drive.google.com/drive/folders/1vCis5mvO5qg7QlM69MqJ3Ni-gFunm5uz ?usp = compartir
Este conjunto de datos fue hecho por Valeo (también hicieron el conjunto de datos de WoodScape).
Se propone un modelo FFT-RadNet, junto con un conjunto de datos original de dos horas de duración (sin procesar, cámara, láser, radar HD) RADIal para "Radar, LiDAR et al .
Se puede ver que la característica de este conjunto de datos es que se conservan los datos originales y están disponibles los resultados de diferentes métodos de procesamiento. .RADIal es el único conjunto de datos que proporciona radar de alta definición, combinando cámaras, lidar y odometría, y propone tanto tareas de detección como de segmentación del espacio libre.
Clasificación del conjunto de datos:
Información del dispositivo:
4. TJ4DRadSet (2022) actualmente no es de código abierto
Original: TJ4DRadSet: un conjunto de datos de radar 4D para la conducción autónoma
El artículo fuertemente relacionado con este artículo es (se recomienda leerlo en conjunto) : Detección de objetos 3D para nubes de puntos de radar de ondas milimétricas automotrices 4D de múltiples cuadros
( Se ha publicado la actualización, es necesario firmar un acuerdo de confidencialidad ) Obtenga el enlace: GitHub - TJRadarLab/TJ4DRadSet: TJ4DRadSet: un conjunto de datos de radar 4D para la conducción autónoma
El trabajo del artículo es principalmente usar el radar 4D de Oculii para crear un conjunto de datos. De otros artículos, se puede ver que el grupo de investigación ha publicado varios artículos extensos basados en este conjunto de datos.
TJ4DRadSet contiene un total de 40 000 fotogramas de datos sincronizados, de los cuales 7757 fotogramas, 44 secuencias tienen cuadros delimitadores 3D anotados de alta calidad e identificadores de seguimiento. El sistema de etiquetado 3D utiliza etiquetado multisensor conjunto y varias rondas de etiquetado de inspección manual.
Las plataformas son las siguientes: LiDAR ( Velodyne-32C LiDAR se puede identificar mediante comparación de parámetros e imágenes ), radar 4D (Oculii Eagle) y una plataforma informática, que utiliza navegación inercial y está equipada con RTK.
Luego use PointPillars como línea de base para probarlo, el resultado:
Suplemento: RadarScenes 2021
原文：RadarScenes: un conjunto de datos de nubes de puntos de radar del mundo real para aplicaciones automotrices
Obtenga el enlace: RadarScenes - RadarScenes
Como su nombre indica, consta de múltiples escenas. Consta de 11 categorías de objetos, 5 grandes categorías principales y un total de más de 7000 participantes de la carretera, etiquetados manualmente en 100 km de diferentes escenas callejeras. Aproximadamente, hay cinco categorías: automóviles, vehículos grandes, vehículos de dos ruedas, grupos de peatones y peatones . Las diferentes columnas de escena combinan factores como las condiciones meteorológicas, la densidad del tráfico o la clase de carretera (autopista, suburbana, centro de la ciudad), y los datos de secuencia de la columna indican si hay disponible una secuencia coherente en el tiempo.
Configuración de sensores: 4 radares a 77GHz:
Etiquetado en 11 categorías: automóvil, vehículo grande , camión , autobús, tren , bicicleta , vehículo motorizado de dos ruedas , peatón, grupo de peatones, animal y otros
Distribución del conjunto de datos:
Resumir:
En general, los conjuntos de datos aún son relativamente escasos, especialmente los conjuntos de datos de alta calidad. Los cuatro conjuntos de datos anteriores han hecho sus contribuciones desde diferentes perspectivas. Al usar conjuntos de datos, analice la naturaleza científica de la recopilación de datos y los principios subyacentes. La naturaleza científica es también muy importante. Si hay una actualización correspondiente en el futuro, se actualizará al artículo.