张迅，李锦江

（1.同济大学软件学院，上海 200000；2.北京科技大学机械工程学院，北京 100000）

自动驾驶是当今热门研究领域，面临许多技术挑战。无人车在行驶时需要依赖感知识别系统对周围的环境（道路、行人、车辆等）进行感知，为接下来的基于深度学习及人工智能的驾驶决策及控制提供依据。系统要感知检测的事物种类繁多，且容易受到天气、环境等因素的干扰。如果自动驾驶的算法不能在大量可靠的数据上进行适量的、有效的训练，那么，当其被投入实际使用后，就可能造成不可预估的后果。因此，为了推动这一领域的后续研究与发展，自动驾驶相关数据集应运而生，科研工作者围绕众多数据集做了很多开创性的工作。本文在现有文献基础上，从数据集内容、采集方法、是否进行标注和标注方法等方面，针对不同的自动驾驶数据集进行总结与对比，为研究自动驾驶场景感知、行为决策及控制算法奠定基础。

1 数据集介绍

从采集内容、采集设备及方法、标注及标注方法等方面对数据集进行介绍。典型数据集包括KITTI、Apollo、BDD100K、nuScenes、CityScapes 和HDD 等。

1.1 数据集内容

KITTI 数据集包含市区、乡村和高速公路等场景采集的真实图像数据，每张图像中最多达15 辆车和30 个行人。整个数据集由389 对立体图像和光流图（包括194 对训练图像和195 对测试图像），39.2km 视觉测距序列以及超过200k 的3D 标注物体的图像组成，采样频率为10Hz，总共约3TB。

Apollo 为百度推出的交通场景解析数据集，包括上万帧的高分辨率RGB 视频和与其对应的逐像素语义标注。……