关于nuplan数据集的trainval文件结构

文章讲述了作者在使用Nuplan数据集进行训练时遇到的问题,涉及到文件路径设置和环境变量调整。通过将trainval文件夹移动到nuplan-v1.1中,解决了训练过程中的错误。
在官网教程上的数据结构如下
~/nuplan
├── exp
│   └── ${USER}
│       ├── cache
│       │   └── <cached_tokens>
│       └── exp
│           └── my_nuplan_experiment
└── dataset
    ├── maps
    │   ├── nuplan-maps-v1.0.json
    │   ├── sg-one-north
    │   │   └── 9.17.1964
    │   │       └── map.gpkg
    │   ├── us-ma-boston
    │   │   └── 9.12.1817
    │   │       └── map.gpkg
    │   ├── us-nv-las-vegas-strip
    │   │   └── 9.15.1915
    │   │       └── map.gpkg
    │   └── us-pa-pittsburgh-hazelwood
    │       └── 9.17.1937
    │           └── map.gpkg
    └── nuplan-v1.1
        ├── splits 
        │     ├── mini 
        │     │    ├── 2021.05.12.22.00.38_veh-35_01008_01518.db
        │     │    ├── 2021.06.09.17.23.18_veh-38_00773_01140.db
        │     │    ├── ...
        │     │    └── 2021.10.11.08.31.07_veh-50_01750_01948.db
        │     └── trainval
        │          ├── 2021.05.12.22.00.38_veh-35_01008_01518.db
        │          ├── 2021.06.09.17.23.18_veh-38_00773_01140.db
        │          ├── ...
        │          └── 2021.10.11.08.31.07_veh-50_01750_01948.db
        └── sensor_blobs   
              ├── 2021.05.12.22.00.38_veh-35_01008_01518                                           
              │    ├── CAM_F0
              │    │     ├── c082c104b7ac5a71.jpg
              │    │     ├── af380db4b4ca5d63.jpg
              │    │     ├── ...
              │    │     └── 2270fccfb44858b3.jpg
              │    ├── CAM_B0
              │    ├── CAM_L0
              │    ├── CAM_L1
              │    ├── CAM_L2
              │    ├── CAM_R0
              │    ├── CAM_R1
              │    ├── CAM_R2
              │    └──MergedPointCloud 
              │         ├── 03fafcf2c0865668.pcd  
              │         ├── 5aee37ce29665f1b.pcd  
              │         ├── ...                   
              │         └── 5fe65ef6a97f5caf.pcd  
              │
              ├── 2021.06.09.17.23.18_veh-38_00773_01140 
              ├── ...                                                                            
              └── 2021.10.11.08.31.07_veh-50_01750_01948

,但是在训练时:

此时我的环境变量是这样的:



在为更改环境变量时,发现依然会报错。got的路径最后必然是../nuplan-v1.1/trainval

所以将trainval文件夹移动至nuplan-v1.1文件夹下后,运行训练成功。

~/nuplan
├── exp
│   └── ${USER}
│       ├── cache
│       │   └── <cached_tokens>
│       └── exp
│           └── my_nuplan_experiment
└── dataset
    ├── maps

    └── nuplan-v1.1
        ├── splits 
        │      └──mini 
        │         ├── 2021.05.12.22.00.38_veh-35_01008_01518.db
        │         ├── 2021.06.09.17.23.18_veh-38_00773_01140.db
        │         ├── ...
        │         └── 2021.10.11.08.31.07_veh-50_01750_01948.db
        │     
        └── sensor_blobs  
        │  
        └── trainval

03-15
### Nuplan 自动驾驶平台概述 Nuplan 是由 NVIDIA 推出的一个开源自动驾驶规划研究平台,旨在促进学术界和工业界的协作开发。该平台提供了丰富的仿真环境、高质量的数据集以及先进的算法支持,用于解决复杂的自动驾驶规划问题[^2]。 #### 数据集特点 Nuplan 提供了一个大规模的真实世界数据集,涵盖了多种交通场景和驾驶行为模式。这些数据经过精心标注,能够帮助研究人员更好地理解动态交通环境中的交互关系。通过这种方式,它不仅促进了对复杂场景的理解能力提升,还推动了更高效、更具鲁棒性的规划策略设计[^1]。 #### 技术架构与方法论 在技术层面,Nuplan 集成了模块化端到端规划框架的理念,这种设计理念允许各个子任务之间保持较高的独立性的同时又能协同工作以完成整体目标——即生成安全可靠的行驶路径。具体而言: - **AdaptiveDriver**:作为一种基于模型预测控制(Model Predictive Control, MPC)的方法被引入其中,能够在不同条件下调整其内部参数从而实现最佳表现;这种方法特别适合处理不确定性较高或者快速变化的情况下的决策制定过程。 - **Hydra-MDP 方法**:这是一种全新的多模态规划方案,利用多目标蒸馏机制将来自不同类型传感器输入的信息融合起来形成统一表示形式,并据此做出最优选择[^4]。 此外,为了进一步增强系统的泛化能力和适应范围,Nuplan 还探索了所谓的“世界模型”概念。这类模型试图捕捉车辆周围环境随时间演变的基本规律,以便于提前预判可能发生的事件并采取相应措施加以应对[^3]。 ```python import nuplan.database as db # 加载 NuPlan 数据库实例 nuplandb = db.NuPlanDB('path_to_nuplan_data') # 查询特定场景信息 scene_info = nuplandb.scene['example_scene_id'] print(scene_info) ``` 上述代码片段展示了如何加载 NuPlan 的数据库并与之交互获取所需资料样本。 ### 总结 综上所述,NuPlan 不仅是一个强大的工具包集合体,而且代表了一种开放共享精神的具体实践案例。通过对最新研究成果的应用整合以及持续改进现有功能特性,使得开发者们可以在这一平台上构建更加智能化的自动驾驶解决方案。
评论 11
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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