火山引擎如何助力抖音打造过亿级DAU的产品?点击报名 了解详情
写点什么

Lyft 公开自动驾驶数据集,包含 55000 个人工标注 3D 注释帧

  • 2019-07-25
  • 本文字数:1662 字

    阅读完需:约 5 分钟

Lyft公开自动驾驶数据集,包含55000个人工标注3D注释帧

作为出行服务初创公司,Lyft 与 Uber 一直处在“相爱相杀”的状态,既有过合作,也有竞争。Lyft 于 2016 年开始布局自动驾驶,经过几年的发展,Lyft 也已经在业内有所成就,但是,面对着行业逐渐趋于冷静的发展现状,Lyft 也开始寻求合作与突破。


2019 年 6 月,Lyft 宣布与谷歌母公司 Alphabet 旗下自动驾驶公司 Waymo 达成合作,共同推进自动驾驶出租车服务。


在 Lyft 官方技术博客近日的一篇文章中,该公司的 Level 5 团队(只是名字叫 Level 5,但实际上还是主攻 L4 级别的自动驾驶技术)提到了推动自动驾驶乘车服务的重要性,他们表示:事实上,实现无人驾驶汽车已经不仅仅是一种选择,而是一种必需。


Lyft 公司创始人兼 CEO Logan Green 致力于将这一愿望变成现实,他认为:“无人驾驶技术不仅能够每分钟挽救两条生命,同时也将引导人们通过共享式电动交通工具应对气候变化问题。Lyft 公司一直在努力引领这场交通革命。”


不过无人驾驶汽车技术的规模太过庞大、意义也太过重大,意味着没有哪个单一团队能够独力解决。也正因如此,Lyft 团队希望通过开放一套自动驾驶数据集,推动行业的发展。


一套用于创新加速的数据集

照例先放上地址:


https://level5.lyft.com/dataset/?source=post_page---------------------------


没开玩笑,地址真的是这样的( ̄▽ ̄)"


据介绍,Level 5 数据集是目前已经公布的,规模最为可观的无人驾驶数据集。其中包含超过 5 万 5 千个由人类标记的 3D 注释帧、可直接使用地表地图,以及用于对数据进行背景化处理的底层高清空间语义地图。


学术研究一直是创新加速的重要引擎,但大多数学术团队无法获得规模庞大的高成本数据集。为了收集此类数据,研究人员必须构建并正确校准传感器硬件、建立本地化堆栈,并描绘出高清语义地图。只有这样,我们才能解锁 3D 感知、预测与路线规划等高级功能。


Lyft 的 Level 5 项目组投入了两年时间持续完善自身硬件与无人驾驶堆栈,并希望分享 Lyft 公司在这一过程中收集或衍生出的相关数据,以帮助所有以无人驾驶技术抱有兴趣的研究人员更公平地参与这场竞争。


数据集详情

作为参考,Lyft Level 5 数据集当中包含:


  • 超过 5 万 5 千个由人类标记的 3D 注释帧;

  • 来自 7 个摄像头与多达 3 个激光雷达的数据;

  • 一份可直接使用的地表地图;

  • 一份底层高清空间语义地图(包括车道与人行横道布局等)。


为了保证利用 nuScenes 数据集训练而成的工作成果能够与这套新数据集相兼容,该团队决定复用 nuScenes 格式。


Level 5数据集的传感器配置


这套数据集使得研究人员能够处理各种问题,包括随时间推移的代理预测、激光雷达摄像机的景深估算、通过语义地图在 3D 环境中进行物体检测、利用激光雷达与语义地图进行场景分割、以及代理行为分类等等。


团队进展中的亮点

事实上,这套数据集只代表 Lyft Level 5 团队在推动无人驾驶技术的过程中,所做出的大量工作中的一小部分。据了解,该团队目前正在运营一个不间断无人驾驶员工班车项目,项目车队已经积累到数万英里的自动驾驶里程,所有数据都将被用于训练自动驾驶系统。


此外,该团队已经在第三代 Lyft 无人驾驶汽车上进行了迭代,并构建起一套先进的感知套件,而且正在为其中新的传感器阵列以及专有超高动态范围(100+DB)摄像头申请专利。


Lyft Level 5的最新感知套件


由于高清绘图能力对无人驾驶汽车而言至关重要,因此 Lyft 在慕尼黑与帕洛阿尔托的团队一直努力构建基于激光雷达的高质量几何地图,以及供无人驾驶堆栈使用的高清语义地图。


与此同时,Lyft 的伦敦团队(其前身为蓝色视觉实验室)则致力于提升 Lyft 车队的规模,从而单凭手机相机捕捉到的源数据积累起高质量、高性价比的几何地图。这项工作对于构建大规模地图与数据收集基础设施非常重要。


旧金山的视觉几何地图


最后,协作对于将无人驾驶技术引入生活社区有着重要意义,因此 Lyft 公司的无人驾驶平台团队一直在 Lyft 网络上部署合作伙伴车辆。通过合作伙伴 Aptiv,Lyft 已经成为为拉斯维加斯的乘客提供超过 5 万辆无人游览车,这也是目前正在实际运营中的规模最大的付费商业无人驾驶车辆服务。Waymo 汽车现在也已经正式登陆亚利桑那州的 Lyft 网络,意味着将有更多乘客能够体验到无人驾驶汽车带来的便利。


2019-07-25 08:003827

评论

发布
暂无评论
发现更多内容

【迁移】撸论文系列之——Bigtable

罗琦

论文阅读 bigtable

你不知道的JSON.stringify(上)

前端黑板报

Java json

《从0到1学习Flink》—— Mac 上搭建 Flink 1.6.0 环境并构建运行简单程序入门

zhisheng

大数据 flink 流计算

《从0到1学习Flink》—— Flink 项目如何运行?

zhisheng

大数据 flink 流计算

Flink 从0到1学习—— 分享四本 Flink 国外的书和二十多篇 Paper 论文

zhisheng

大数据 flink 流计算

Flink 从0到1学习 —— 如何使用 Side Output 来分流?

zhisheng

大数据 flink 流计算

《从0到1学习Flink》—— Data Sink 介绍

zhisheng

大数据 flink 流计算

《从0到1学习Flink》—— Flink 配置文件详解

zhisheng

大数据 flink 流计算

《从0到1学习Flink》—— Flink Data transformation(转换)

zhisheng

大数据 flink 流计算

《从0到1学习Flink》—— 介绍Flink中的Stream Windows

zhisheng

大数据 flink 流计算

《从0到1学习Flink》—— Flink 写入数据到 ElasticSearch

zhisheng

大数据 flink 流计算

重学 Java 设计模式:实战工厂方法模式

小傅哥

设计模式 小傅哥 重构 架构设计 工厂模式

【迁移】用Redlock构建Redis分布式锁【译】

罗琦

分布式锁

《从0到1学习Flink》—— 如何自定义 Data Source ?

zhisheng

大数据 flink 流计算

《从0到1学习Flink》—— 如何自定义 Data Sink ?

zhisheng

大数据 flink 流计算

Flink 从0到1学习—— Flink 不可以连续 Split(分流)?

zhisheng

大数据 flink 流计算

如果你想做汽车开发,请先看看这篇。

水滴

自动驾驶 软件开发 开发

《从0到1学习Flink》—— Data Source 介绍

zhisheng

大数据 flink 流计算

Deno会在短期内取代Node吗?

葡萄城技术团队

node.js SpreadJS deno

【迁移】读完了GFS论文之后的感悟

罗琦

大数据 GFS 论文阅读

勇攀监控高峰-EMonitor之根因分析

乒乓狂魔

监控 全链路监控 故障定位 根因分析 AIOPS

《从0到1学习Flink》—— Flink 中几种 Time 详解

zhisheng

大数据 flink 流计算

《从0到1学习Flink》—— 你上传的 jar 包藏到哪里去了?

zhisheng

大数据 flink 流计算

【迁移】Flink vs Spark

罗琦

大数据 flink spark

《从0到1学习Flink》—— Flink 读取 Kafka 数据批量写入到 MySQL

zhisheng

大数据 flink 流计算

《从0到1学习Flink》—— Flink 读取 Kafka 数据写入到 RabbitMQ

zhisheng

大数据 flink 流计算

《从0到1学习Flink》—— Flink JobManager 高可用性配置

zhisheng

大数据 flink 流计算

《从0到1学习Flink》—— Flink parallelism 和 Slot 介绍

zhisheng

大数据 flink 流计算

聊一聊采访外籍人员时需要注意的几点事项

李冬梅

态度 体验 感悟

《从0到1学习Flink》—— Apache Flink 介绍

zhisheng

大数据 flink 流计算

《从0到1学习Flink》—— Flink 写入数据到 Kafka

zhisheng

大数据 flink 流计算

Lyft公开自动驾驶数据集,包含55000个人工标注3D注释帧_AI_Luc Vincent_InfoQ精选文章