Lyft 发布最大 L5 自动驾驶预测数据集

简介:

云栖号资讯:【点击查看更多行业资讯
在这里您可以找到不同行业的第一手的上云资讯,还在等什么,快来!


Lyft 近日发布了一个 Level 5 级别的自动驾驶预测数据集,包含了超过 1000 个小时的驾驶记录。此外,公司还发起自动驾驶运动预测挑战赛,奖金池 3 万美金。

Lyft 又发布了新的数据集。

去年 7 月,Lyft 发布了 L5 级别自动驾驶感知数据集,包含超过 5 万 5 千个由人类标记的 3D 注释帧。当时官方称作是目前同类产品中最大的公开数据集。

这才刚过去一年,Lyft 又发布了一套 L5 级别的自动驾驶预测数据集。

1

万个场景,2500 多公里道路数据

Lyft 此次发布的数据集侧重于运动预测。官方表示,自动驾驶领域长期研究的一个问题是,创建足够健壮和可靠的模型,来预测交通运动。

这些数据是由 23 辆自动驾驶车辆组成的车队,在加州帕洛阿尔托的一条固定路线上收集的,历时 4 个月,包含遇到的汽车,行人和其他障碍物的行驶日志。

该数据集具体包括:

  • 1000 个小时:超过 1000 个小时的自动驾驶汽车移动记录;
  • 17 万个场景:每个场景持续约 25 秒,包括交通信号灯、航拍地图、人行道等;
  • 16000 英里:来自公共道路的 16000 英里(约合 2575 公里)数据;
  • 15242 个注释图:包括已标记元素的高清语义图以及该区域的高清鸟瞰图。

2

数据集中鸟瞰语义图示例

这些运动数据由安装在 Lyft 车顶的传感器组收集,当车辆行驶数万英里时,传感器组会捕捉激光雷达、摄像机以及雷达数据。

5

6

数据集中,每个场景在给定的时间点编码了车辆周围的状态,红色为自动驾驶汽车,黄色为其他车辆

Lyft 表示,该集合与提供的工具包一起,构成了迄今为止最大、最完整、最详细的数据集,用于开发自动驾驶,机器学习任务,如运动预测、规划和仿真。

目前,该数据集只开放部分子集下载,包括:

  • 样本数据集(53 MB)
  • 训练数据集(分三部分,共 69.4 GB)
  • 鸟瞰图(2 GB)
  • 语义图(2 MB)

【云栖号在线课堂】每天都有产品技术专家分享!
课程地址:https://yqh.aliyun.com/live

立即加入社群,与专家面对面,及时了解课程最新动态!
【云栖号在线课堂 社群】https://c.tb.cn/F3.Z8gvnK

原文发布时间:2020-06-30
本文作者:神经星星
本文来自:“掘金”,了解相关信息可以关注“掘金”

相关文章
|
机器学习/深度学习 人工智能 数据挖掘
数据上新 | AI Earth上线长时序土地覆盖数据集(来自武汉大学黄昕教授团队)
数据上新 | AI Earth上线长时序土地覆盖数据集(来自武汉大学黄昕教授团队)
数据上新 | AI Earth上线长时序土地覆盖数据集(来自武汉大学黄昕教授团队)
|
传感器 机器学习/深度学习 自动驾驶
无人驾驶中常用的37个数据集以及每个数据集的亮点
我们在写论文的时候,经常会用到数据集.以下是我的一些整理.
|
机器学习/深度学习 人工智能 算法
OpenAI CEO:巨型AI模型时代已结束,马斯克TruthGPT曝光
OpenAI CEO:巨型AI模型时代已结束,马斯克TruthGPT曝光
125 0
|
机器学习/深度学习 JSON 编解码
伯克利开源首个泊车场景下的高清数据集和预测模型,支持目标识别、轨迹预测
伯克利开源首个泊车场景下的高清数据集和预测模型,支持目标识别、轨迹预测
209 0
|
机器学习/深度学习 人工智能 自动驾驶
上海人工智能实验室自动驾驶团队原作解读OpenLane:大规模真实场景3D车道线数据集
上海人工智能实验室自动驾驶团队原作解读OpenLane:大规模真实场景3D车道线数据集
246 0
|
机器学习/深度学习 算法 数据可视化
精准高效估计多人3D姿态,美图&北航分布感知式单阶段模型入选CVPR 2022
精准高效估计多人3D姿态,美图&北航分布感知式单阶段模型入选CVPR 2022
129 0
|
机器学习/深度学习 人工智能 并行计算
清华&天津大学新作 | SurroundOcc: 面向自动驾驶场景的纯视觉 3D 语义占据预测 (已开源)
清华&天津大学新作 | SurroundOcc: 面向自动驾驶场景的纯视觉 3D 语义占据预测 (已开源)
370 0
|
机器学习/深度学习 算法 自动驾驶
谷歌大脑和DeepMind联合发布离线强化学习基准,将各种RL研究从线上转为线下
离线强化学习方法可以帮我们弥合强化学习研究与实际应用之间的差距。近日,Google和DeepMind推出的RL Unplugged使从离线数据集中学习策略成为可能,从而克服了现实世界中与在线数据收集相关的问题,包括成本,安全性等问题。
229 0
谷歌大脑和DeepMind联合发布离线强化学习基准,将各种RL研究从线上转为线下
|
机器学习/深度学习 编解码 人工智能
旷视科技2018 COCO负责人俞刚:如何构建检测与分割的冠军系统
ECCV 2018 如期而至,旷视科技在首席科学家、研究院长孙剑博士的带领下获得 2018 COCO+Mapillary 联合挑战赛四项第一。机器之心专访 2018 COCO+Mapillary 挑战赛&旷视科技 Detection 组负责人俞刚,从算法模型与团队创新等方面讲述构建多项冠军方案的秘诀。
216 0
旷视科技2018 COCO负责人俞刚:如何构建检测与分割的冠军系统
|
机器学习/深度学习 人工智能
2019年上半年收集到的人工智能AutoML干货文章
2019年上半年收集到的人工智能AutoML干货文章
下一篇
无影云桌面