← 返回论文列表

FRED：面向洪水道路环境的多模态自动驾驶数据集
FRED: A Multi-Modal Autonomous Driving Dataset for Flooded Road Environments

作者: Connor Malone, Sebastien Demmel, Sebastien Glaser
arXiv: 2605.22018v1
分类: cs.CV, cs.AI, cs.RO
📝 论文摘要
据我们所知，洪水道路环境数据集（FRED）是首个专门针对道路上涉及水险场景数据采集的多模态自动驾驶数据集。该数据集包含来自一台2.3 MP FLIR Blackfly USB3相机的图像、来自Ouster OS1-64激光雷达的64线360°点云数据，以及由Geoflex RTK GNSS校正的iXblue ATLANS-C IMU数据，这些数据在洪水期间及洪水过后分别从五个不同地点采集。数据以两种格式发布：KITTI风格格式，便于与现有数据工具集成；以及RTMaps格式，用于直接回放车辆的数据采集过程。我们提供语义标签，以支持针对水险检测的单传感器及传感器融合方法的训练与评估。此外，我们还提供位置与速度信息，以及在干燥条件下采集的数据，以支持可能包含地图的基于位置的检测方法开发，并评估定位与SLAM等其他任务。

📊 核心分析

🎯 研究动机
- 缺乏针对**洪水道路环境(flooded road environments)** 的自动驾驶数据集，现有数据集未充分覆盖水障碍(water hazards)场景 - 水障碍对自动驾驶感知系统构成独特挑战，如反射、遮挡和误检测，需要专门的数据支撑 - 研究背景：随着自动驾驶在复杂天气和路面条件下的应用需求增加，洪水场景的数据稀缺制约了相关算法开发与评估
🔧 核心方法
- 构建**FRED(Flooded Road Environments Dataset)**，包含2.3 MP **FLIR Blackfly USB3相机** 图像、64线**Ouster OS1-64 LiDAR** 360°点云，以及**iXblue ATLANS-C IMU** 经**Geoflex RTK GNSS** 校正的数据 - 在五个不同地点，分别在洪水发生期间和洪水过后采集数据，提供干燥条件下的对比数据 - 释放**KITTI风格格式** 和**RTMaps格式** 两种数据格式，便于集成现有工具和直接回放车辆数据记录 - 提供**语义标签(semantic labels)** 用于训练和评估单传感器与传感器融合方法的水障碍检测
💡 核心创新
- **首创性**：首个多模态自动驾驶数据集专门针对洪水道路环境，填补了该场景的数据空白 - **多模态与多条件覆盖**：同时提供洪水期间和洪水后数据，以及干燥条件数据，支持位置和速度信息，便于开发基于地图的位置检测方法和评估定位、SLAM等任务 - **数据格式兼容性**：同时提供KITTI风格和RTMaps格式，降低使用门槛并支持实时回放，区别于现有数据集仅提供单一格式
🏆 总体贡献
- 为**洪水道路环境下的自动驾驶感知** 提供了标准化基准数据集，推动水障碍检测算法研发 - 提供了语义标签和多模态数据，促进**单传感器和传感器融合方法** 在水障碍检测中的对比与改进 - 支持**位置感知检测** 和**定位/SLAM** 等下游任务，扩展了洪水场景下的自动驾驶研究维度