自动驾驶CRUW数据集（大型毫米波频域图数据集）

数据集介绍

• CRUW是一个基于雷达频域图像的自动驾驶数据集：

  • 目前是唯一一个开源的、多场景的、大型雷达频域图像检测数据集
  • 论文：Rethinking of Radar’s Role: A Camera-Radar Dataset and Systematic Annotator via Coordinate Alignment
  • 数据集：https://www.cruwdataset.org/

图1. 数据集的统计信息

图2. Parking Lot 场景样例

• 优点：
  • 丰富的物体语义信息，带有目标中心点周围的形状信息
  • 基于雷达数据标注，使用CFAR结合Mask RCNN的分割与检测结果标注目标，并且在vertical和xy平面建立雷达检测与图像检测的对齐关系损失，使自动标注的精度较高；
  • 丰富的场景：拥有多个训练样例和四个场景的数据采集，样本量大；
• 缺点：
  • 场景目标单一：parking lot等场景下目标运动单一且目标较少，如上图2所示；
  • 标注物体较少：受制于检测模型性能，使用模型自动进行目标自动标注，导致很多场景下目标召回率较低，在一些密集的路口中，标注仅涉及到极小部分目标；

数据集格式与内容

图3. 下载后的数据（按照作者的设置数据集文件放置标准）

---

  其中，数据以sequence为最小组合，其中sequences意为序列，每个序列带有一个编号，序列下有多张图片及其对应的npy二进制文件（.npy文件是numpy专用的二进制文件，这里为频域图格式），annotations含有sequence对应的雷达图像中每个目标点的极坐标下的坐标（r,θ）和对应的种类（human,cylist等），另外calib中含有sequence对应的坐标转换矩阵（雷达坐标系与像素坐标系）。

数据集官方接口工具

• 作者提供了接口工具CRUW-devkit，类似于nuScenes的nuscenes-devkit，能够方便开发者进一步封装成dataloader，还有评价功能；

---

数据路径配置与参数设置

from cruw import CRUW
data_root ='path/to/cruw'
dataset = CRUW(data_root=data_root, sensor_config_name='sensor_config_rod2021')
print(dataset)

如上图所示，sensor_cfg包含传感器的各类信息：

1. 对相机来说：包括像素，采样率，父路径、扩展名；
2. 对雷达来说：包括ramap(radar map)的大小，采样率，天线数等信息；

---

目标种类与目标投影

如上图所示，ra2idx和idx2ra能够分辨将极坐标系和笛卡尔坐标系相互转化。

---

展示效果

1. 取出数据

import os
import numpy as np
import matplotlib.pyplot as plt

from cruw.visualization.examples import show_dataset_rod2021

def get_paths(seq_name, frame_id):
	# 某一帧图像
    image_path = os.path.join(data_root, 'sequences', 'train', seq_name, 
                              dataset.sensor_cfg.camera_cfg['image_folder'], 
                              '%010d.jpg' % frame_id)
    # 对应的帧的雷达npy文件
    chirp_path = os.path.join(data_root, 'sequences', 'train', seq_name, 
                              dataset.sensor_cfg.radar_cfg['chirp_folder'],
                              '%06d_0000.npy' % frame_id)
    anno_path = os.path.join(data_root, 'annotations', 'train', seq_name + '.txt')
    # 返回图像、对应的雷达npy文件及标注文件
    return image_path, chirp_path, anno_path

2. 可视化样例

# 序列id
seq_name = '2019_04_09_BMS1000'
# 帧id
frame_id = 400
# 得到数据
image_path, chirp_path, anno_path = get_paths(seq_name, frame_id)
# 这里因为windows的路径格式为"\\"，兼容作者的ubuntu环境，要对源路径转换
image_path = image_path.replace('\\', '/')
# 展示
show_dataset_rod2021(image_path, chirp_path, anno_path, dataset)

其他样例

评价接口

from cruw.eval import evaluate_rod2021
# 这里提交评价，工具会自动评估模型性能
# submit_dir = '<SUBMISSION_DIR>'
# truth_dir = '<ANNOTATION_DIR>'
# evaluate_rod2021(submit_dir, truth_dir, dataset)