TartanDrive 2.0数据集

已于 2024-10-10 16:27:39 修改
阅读量1.4k 收藏 22
点赞数 17
分类专栏： 自动驾驶 文章标签： 人工智能 自动驾驶 数据库
于 2024-10-10 16:22:34 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/m0_51561759/article/details/142822061
版权

 数据描述

        2021年CMU发布了TartanDrive1.0数据集。2024年，作为原始数据集的后续工作，CMU以 15m/s 的速度收集了 7 个小时的数据，并在原始相机、惯性传感器、GPS 传感器和本体传感器旁边添加了三个新的 LiDAR 传感器，并将其命名为TartanDrive2.0,该数据集适用于自我监督学习任务的大规模越野驾驶数据集。

数据获取途径：https://github.com/castacks/tartan_drive_2.0

数据集主页：TartanDrive 2.0

元数据

传感器

        3个激光雷达： 2个32线Velodyne,其中一个向下倾斜，以获得近车附近的地面信息； 1个Livox Mid-70 安装在MultiSense相机下方。提供车辆正前方信息。所有Lidar均配置为10Hz运行

        2个Mu

最低0.47元/天 解锁文章
RELLIS-3D数据集
weixin_43823175的博客
01-21 3356
RELLIS-3D数据集 （略读） paper RELLIS-3D Dataset: Data, Benchmarks and Analysis 论文地址：https://arxiv.org/abs/2011.12954 github：https://github.com/unmannedlab/RELLIS-3D 论文提供了一个野外场景的数据集，包含有激光雷达数据，摄像头数据 摘要 语义场景理解对于鲁棒和安全的自主导航至关重要，尤其是在越野环境中。三维语义分割的最新深度学习进展在很大程度上依赖于大型训练数
面向越野地形自动驾驶的语义地形分类
weixin_43823175的博客
01-21 3170
面向越野地形自动驾驶的语义地形分类 论文 Semantic Terrain Classifification for Off-RoadAutonomous Driving 代码 https://github.com/JHLee0513/semantic_bevnet CoRL2021据说这个会议上的论文都挺狠的 摘要： 利用环境信息得到高密度、高精度的可穿越性地图对于越野导航至关重要。在本文中，我们重点研究将地形划分为4个成本等级（free, low-cost, medium-cost, obstacle）
LeCun团队新作：在世界模型中导航
数据派THU
12-20 114
来源：机器之心 本文约3800字，建议阅读10分钟 本文介绍了LeCun团队新作世界模型。现实世界版的 Genie-2？最近，世界模型（World Models）似乎成为了 AI 领域最热门的研究方向。继World Labs（李飞飞）、谷歌 DeepMind接连发布自己的世界模型研究之后，Meta FAIR 的 Yann LeCun 团队也加入了战场，也在同一周之内发布了导航世界模型（Navi...
卡内基梅隆大学提出 BEVLoc 通过鸟眼视图合成进行交叉视图定位和匹配 ！
m0_59164520的博客
11-28 894
地面到空域匹配是室外机器人领域的关键且具有挑战性的任务，尤其是在GPS不存在或不可靠的情况下。建筑物或大型密集森林等结构会制造干扰，需要GNSS替代全球定位估计。真正的困难在于在可接受的局部定位中调和地面图像与空中图像之间的视角差异。受到自动驾驶领域社区的启发，作者提出了一种新颖的框架，用于合成鸟瞰视角（BEV）场景表示，以匹配和定位到无人机航拍图中的场景。作者利用具有特定领域的对抗学习，利用领域特定硬负样本挖掘训练网络，使其学习合成BEV和无人机航拍图之间的相似表示。
Navigation World Models——导航世界模型
Together_CZ的博客
12-29 2435
Navigation World Models——导航世界模型
tartanair_tools:TartanAir数据集工具和示例
05-16
TartanAir数据集：用于同时定位和映射的AirSim仿真数据集 该存储库提供了用于访问培训和测试数据的示例代码和脚本，以及评估工具。 有关数据集的更多信息，请参考 。 您还可以在相关的上与贡献者联系。 该数据集用于训练第一个可推广的基于学习的视觉测距法 ，在挑战性情况下，该方法比基于几何的VO方法具有更好的性能。 请检查和已发布的。 下载培训数据 根据运动模式，数据分为两个级别（简单和困难）。 它组织在轨迹文件夹中。 您可以从具有不同数据类型（RGB，深度，分段，摄像机姿势和流）的不同摄像机（左或右）下载数据。 请参阅页面以获取相机的内在信息，外在信息和其他信息。 !! 注意：所有数据的大小最大为3TB！ 下载可能需要几天的时间。 我们还添加了直接在Azure上使用数据集而不需要下载的选项。 下载前，请选择您真正需要的数据类型。 您也可以转到下载示例文件，以更好地了解数据类型。
tartanAir数据集
u010949023的博客
02-05 1983
一般数据集 KITTI使用小车采集数据，在translation和rotation只有两个方向。 仿真得到，各个方向可以分布均匀。 基本涵盖了常见传感器信息。 各种VSLAM算法在tartanAir的表现。 ORB失败的场景 用该数据训练了一个tartanVO模型。只计算两帧之间的位姿。 有两点1.尺度的问题 loss的位置部分用只考虑方向，来解决尺度问题。 2.不同相机的内参不同问题： 把训练图片resize(相当于改变焦距)，裁剪(相当于改变cx,cy) 加入内参层。 这样训练的
Super Odometry: IMU-centric LiDAR-Visual-Inertial Estimator for Challenging Environments 翻译
tian19903333的博客
02-08 3393
Super Odometry: IMU-centric LiDAR-Visual-Inertial Estimator for Challenging Environments 摘要 我们提出了超级模测量，一种高精度的多模态传感器融合框架，提供了一种简单而有效的方法来融合多个传感器，如激光雷达、相机和IMU传感器，并在感知退化环境中实现稳健的状态估计。与传统的传感器融合方法不同，超级模测量法采用了以图像为中心的数据处理管道，它结合了松散耦合方法和紧密耦合方法的优点，以粗到细的方式恢复运动。 该框架由三
《用于自动越野导航的实时语义映射》论文笔记
cv小学dl三年级
12-05 1386
用于自动越野导航的实时语义映射 0 概要 terrain 地面，地形 obstacle 障碍 trajectories 轨迹 这篇论文里，描述了一种全地形车辆(ATV)自动越野驾驶的语义映射。这个系统的目标是提供一种比纯几何地图更丰富的环境表示，使其能够区分例如来自障碍的高草。该系统构建了一个2.5D网格地图，编码几何地图和语义信息。几何和语义信息分别从LiDAR和图像传感器中在线和实时估计。使用这个语义图，运动规划者可以创建语义感知的轨迹。为了实现高效的语义分割和鲁
自动驾驶领域用到的一些数据集
qq_35622355的博客
04-13 1344
原文链接： https://mp.weixin.qq.com/s?__biz=MzA3NDIyMjM1NA==&mid=2649030409&idx=1&sn=2202eba9d4f38acacc46da72f1e6eb86&chksm=87134174b064c8627d904ca31cbb723a614d4223ef67c7642fbde5e6cfb57eee2...
数据集-目标检测系列- 坦克 检测数据集 tank ＞＞ DataBall
09-29
数据集-目标检测系列- 坦克 检测数据集 tank ＞＞ DataBall 标注文件格式：xml 解析脚本地址： gitcode: https://gitcode.com/DataBall/DataBall-detections-100s/overview or github: https://github.com/TechLinkX/DataBall-detections-100s 脚本运行方式： * 设置脚本数据路径 path_data * 运行脚本：python demo.py 样本量： 105 目前数据集暂时在该网址进行更新： https://blog.csdn.net/weixin_42140236/article/details/142447120?spm=1001.2014.3001.5501
MIT+CMU face database
12-13
用于测试人脸分类器的人脸库，130张图片507张人脸
自建坦克数据集
m0_58579432的博客
03-31 1210
【Jungong Guofang实验室自建数据集】：坦克数据集，可用于坦克目标检测，小目标检测，可直接训练，支持YOLO算法。用于Python，目标检测，机器学习，人工智能，深度学习，坦克航拍识别。
【SLAM】视觉轮速计融合se2lam安装运行
mmeeed的博客
06-09 777
安装se2lam安装运行步骤记录
深度学习数据集 自动驾驶数据集 持续更新中……
轮子去哪儿了
04-24 3595
目标检测数据集 数据集的数据集 有检测 跟踪 人脸 3D 自动驾驶…… https://www.visualdata.io/ Pascal VOC（Pascal Visual Object Classes）- 图像理解benchmark数据集 http://host.robots.ox.ac.uk/pascal/VOC/ MS COCO（Common Objects in COntext）-...
MSCKF-Based Visual-Wheel Odometry 轮速视觉融合里程计
3D视觉工坊
12-04 2547
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达Sliding Windows Filter（SWF）在VIO、SLAM这个领域应用非常广，比如MSCKF、OKVIS、VINS-M...
KITTI里程计数据集 | 跑VINS-Fusion计算外参
weixin_42344264的博客
06-17 3149
1、使用KITTI数据集跑VINS，数据集制作参考，本文使用的是2011_09_26_0056。本文主要是使用双目 +ＩＭＵ，及之后融合激光雷达 根据kitti数据集给出的标定参数，计算IMU-to-Cam0，IMU-to-Cam1。 本文使用的是未同步的imu数据和同步的相机激光雷达数据。 2、计算外参py脚本，由于不经常使用py，发现array最后得转换成mat才能算矩阵运算。也可以直接用MATLAB、Sophus等 from numpy import * import numpy as np
视惯系统的相关论文
weixin_38216573的博客
07-13 910
https://zhuanlan.zhihu.com/p/388715878 多传感器进行组合仍是目前的一个热点研究方向，特别是和雷达融合达到了5篇，个人认为原因在于：一方面，雷达重建可以为导航定位提供高精地图，另一方面，雷达可以直接提供深度信息，并且在IMU无法产生足够激励时，为系统提供额外观测；另外与GNSS融合有两篇，个人认为引入GNSS的目的在于可以为系统提供绝对pose。方便进行全局定位。并且GNSS的观测不存在累计误差，可以用来消除VI系统的累计误差；uwb有一篇，其作用与GNSS相似，不过u
CMU 15-445(2018 Fall) 数据库系统（一）
westbrookliu的博客
09-01 4336
视频教程：https://www.bilibili.com/video/av30851650 pdf：https://15445.courses.cs.cmu.edu/fall2018/slides/01-introduction.pdf
如何下载TartanAir数据集
最新发布
03-30
### TartanAir 数据集下载方法 TartanAir 是一个大规模的数据集，专为机器人视觉和深度学习研究设计。它提供了虚拟的室外和室内场景，能够模拟复杂的光照、天气以及动态对象环境[^4]。 #### 官方链接访问 要下载 TartanAir 数据集，请访问其官方页面： [https://theairlab.org/tartanair-dataset/](https://theairlab.org/tartanair-dataset/) 在此页面上可以找到详细的说明文档和数据下载选项。通常情况下，数据会按不同类别分组存储，例如 RGB 图像、深度图、语义分割标签等。用户可以根据需求选择特定部分进行下载。 #### 下载步骤概述 虽然不允许使用具体步骤词汇，但仍需强调以下几点： - 页面中可能包含多个子目录或压缩包文件供选择。 - 部分大型数据集可能会通过云服务（如 Google Drive 或 AWS S3）托管，因此需要遵循对应的下载指引完成操作。 - 如果遇到带宽限制或其他技术障碍，建议尝试多次连接或者切换网络环境。 #### 文件结构预览 一旦成功获取到数据后，解压后的目录应该包括但不限于以下几个主要组成部分： - **image_left/** 和 **image_right/** ：分别代表双目摄像头拍摄得到的左视图与右视图序列帧图片； - **depth_left/** 及 **depth_right/** : 对应上述视角下的真实深度值矩阵记录； - 还有其他辅助信息比如姿态估计轨迹 (**pose**) 、时间戳同步表等等。 以下是读取其中一部分图像资源的一个简单 Python 示例脚本： ```python import os from PIL import Image def load_tartanair_images(data_path, folder='image_left'): image_files = sorted([f for f in os.listdir(os.path.join(data_path, folder)) if f.endswith('.png')]) images = [] for img_file in image_files[:10]: # Load first 10 as an example img_path = os.path.join(data_path, folder, img_file) with Image.open(img_path) as im: images.append(im) return images if __name__ == "__main__": tartan_data_dir = "/path/to/TartanAir/data" loaded_imgs = load_tartanimages(tartan_data_dir) print(f"{len(loaded_imgs)} images have been successfully loaded.") ``` 此代码片段展示了如何加载 TartanAir 中的部分左侧相机捕获的 PNG 格式的彩色照片并将其存入列表以便后续处理分析。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值