Cooperative Driving Dataset (CODD)

协同驾驶数据集 (CODD) 是使用 CARLA 生成的合成数据集，包含来自多个车辆在不同的驾驶场景中行驶的激光雷达数据，每一帧都标有真实传感器姿态（sensor pose）和 真实的目标的3D边界框。

CARLA 是一款开源自动驾驶模拟器，利用虚拟引擎生成高质量的场景渲染和传感器建模，其可扩展架构，允许将计算分配到多个节点。

数据结构

数据集由多个片段（snippets）组成，每个片段包含一个驾驶环境中的一系列时间帧。 每一帧都包含来自该环境中所有车辆的传感器数据（激光雷达），以及传感器的绝对姿势以及车辆和行人的 3D 边界框的真实标注。 每个片段都保存为包含以下4个数组（HDF5 数据集）的 HDF5 文件：

• pointcloud，大小为 [frames, vehicle, points_per_cloud, 4] ，其中最后一个维度表示局部传感器坐标系中激光雷达点的 X、Y、Z 和强度。
• lidar_pose，尺寸为 [frames, vehicle, 6] ，其中最后一个维度表示全局传感器姿态的 X、Y、Z、俯仰、偏航、滚动。可用于计算从局部传感器坐标系映射到全局坐标系的变换。
• vehicle_boundingbox，尺寸为 [frames, Vehicles, 8] ，其中最后一个维度表示车辆3D边界框的 X、Y、Z、偏航、俯仰、宽、长、高。X、Y、Z 对应于在全局坐标系中3D边界框的中心。滚动角被忽略 (roll=0)。
• pedestrian_boundingbox ，尺寸为 [frames, pedestrians, 8]，其中最后一个维度用来表示行人的3D边界框。

Notes

• 点云位于每个传感器的局部坐标系中，其中从局部坐标系到全局坐标系的转换是使用lidar_pose 计算的。
• 角度以度为单位。
• pose使用 UnrealEngine4 左侧坐标系表示。 vis.py 中提供了一个从局部 -> 全局重构变换矩阵的示例，该矩阵用于将所有局部激光雷达点云聚合到全局参考系统中。
• vehicle索引在pointcloud、lidar_pose 和 vehicle_boundingbox 之间共享，即索引 [frame,i] 处的点云对应于边界框位于 [frame,i] 的车辆。
• vehicle和pedestrians索引在每个帧之间是一致的，可用于确定给定车辆/行人的轨迹。
• 给定帧的所有点云在时间上是同步的——它们是在完全相同的时刻被捕获的。

Details

提供了生成数据集的工具（Generating your own data），该数据集的官方版本包含 108 个片段（每个片段的包含的时间序列为125帧，frames=125）。车辆和行人的数量因片段而异，请参阅下面的详细信息。
这个官方数据集是使用以下设置生成的：

• 5 帧/秒
• 125 帧（对应于每个片段 25 秒的模拟时间）
• 每个点云 50k 个点
• 100m 激光雷达范围
• 30帧烧毁（模拟开始时丢弃的帧数）
• 从均值为 10 和 方差为 5 的二项分布中采样的n vehicles
• 从均值为 5 和 方差为 2 的二项分布中采样的 n pedestrians

有关如何使用和可视化该数据集的更多信息，参见 github repository。