CarlaNCAP

CarlaNCAP是由图宾根大学研究团队开发的合成数据集，旨在通过EuroNCAP标准场景量化基础设施辅助感知对行人及骑行者的安全增强作用。该数据集包含11,134帧高精度仿真数据，涵盖三种典型安全关键场景（CPNC-50、CBNA、CBLA），每帧集成多视角RGB相机、语义分割相机及固态激光雷达数据，传感器以10Hz频率同步采集。数据生成过程严格遵循EuroNCAP自动紧急制动测试协议，通过12个路侧单元（RSU）与测试车辆的协同感知，系统性解决遮挡导致的VRU检测难题。该数据集为自动驾驶安全性能评估提供了标准化基准，尤其适用于V2X通信、传感器融合及紧急决策算法的验证。CarlaNCAP is a synthetic dataset developed by a research team at the University of Tübingen, aiming to quantify the safety enhancement effect of infrastructure-aided perception for pedestrians and vulnerable road users (VRUs including cyclists) via EuroNCAP standard scenarios. This dataset contains 11,134 frames of high-precision simulation data, covering three typical safety-critical scenarios: CPNC-50, CBNA and CBLA. Each frame integrates data from multi-view RGB cameras, semantic segmentation cameras and solid-state LiDAR, with all sensors synchronously collecting data at 10Hz. The data generation process strictly follows the EuroNCAP automatic emergency braking (AEB) test protocol, and systematically addresses the challenge of VRU detection caused by occlusion through cooperative perception between 12 roadside units (RSUs) and test vehicles. This dataset provides a standardized benchmark for autonomous driving safety performance evaluation, and is particularly suitable for the validation of V2X communication, sensor fusion and emergency decision-making algorithms.

原始信息汇总

EuroNCAP 数据集概述

数据集简介

EuroNCAP 数据集是一个用于车辆安全评估的仿真数据集，主要关注车辆与弱势道路使用者（VRU）的交互场景。

数据生成

• 生成方法：通过运行 python ncap.py 脚本生成数据集。
• 环境要求：需要 numpy==1.18.0。
• 目录设置：需将 BASE_DIR 设置为数据集生成的目标目录。

数据内容与结构

传感器数据与2D标签

• 数据来源：包含编号为 0 至 11 的基础设施传感器单元，以及一个被测车辆（car）的数据。
• 数据类型：每个目录包含相机图像、激光雷达点云以及每帧的信息。
• 标签格式：信息以 actor_type min_x min_y max_x max_y dist 格式保存。
  • actor_type：目标类型，包括 [car, motorcycle, bycicle, pedestrian]。
  • min_x, min_y, max_x, max_y：目标的边界框坐标。
  • dist：相机到目标的距离。

世界数据

• 数据位置：位于 WorldData 目录。
• 数据内容：包含每帧的世界信息，格式为 dist car_speed vru_speed。
  • dist：VRU 与车辆之间的距离（米）。
  • car_speed：车辆速度（米/秒）。
  • vru_speed：VRU 速度（米/秒）。

评估数据

• 数据说明：Eval 目录包含的数据并非仿真的一部分，而是每帧的预测边界框。
• 数据格式：格式为 cam_index actor_type min_x min_y max_x max_y confidence。
  • cam_index：进行预测的场景相机索引，取值为 [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, car]。
  • actor_type, min_x, min_y, max_x, max_y：定义与传感器数据中相同。
  • confidence：模型对该预测的置信度分数。

搜集汇总

数据集介绍

构建方式

在自动驾驶与协同感知领域，针对弱势道路使用者的安全评估需求，CarlaNCAP数据集依托欧洲新车评估规程（EuroNCAP）的自动紧急制动测试场景构建而成。该数据集通过CARLA仿真平台生成，涵盖三种典型安全关键场景，包括行人横穿与骑行者交汇等情境，每种场景均设置了车辆与弱势道路使用者不同的速度梯度。数据采集过程中，一辆被测车辆与十二个路侧单元均配备了高分辨率RGB相机、语义分割相机及固态激光雷达，以10赫兹的频率同步记录图像与点云数据，最终形成包含11,134帧的多模态数据集合。

特点

CarlaNCAP数据集的核心特点在于其专注于安全关键场景下的弱势道路使用者感知评估。数据集严格遵循EuroNCAP测试协议，设计了具有明确速度参数与遮挡条件的标准化场景，确保了评估结果的可比性与可解释性。数据内容包含丰富的多传感器信息，不仅提供了相机与激光雷达的原始感知数据，还附带了精确的二维与三维物体标注信息。相较于现有协同感知数据集，CarlaNCAP首次系统性地集成了路侧基础设施感知单元在安全关键场景下的数据，为量化基础设施辅助协同感知对弱势道路使用者安全的提升效果提供了专门且可靠的基准。

使用方法

该数据集主要用于评估基础设施辅助协同感知系统在提升弱势道路使用者安全方面的效能。研究人员可利用数据集提供的多视角传感器数据，训练或测试物体检测算法在复杂遮挡环境下的感知性能。通过分析不同路侧单元配置下的感知准确性与碰撞避免率，能够量化基础设施传感器布局对安全增强的具体贡献。数据集支持对感知时机、冗余检测以及紧急制动决策等关键安全指标进行深入分析，为自动驾驶系统的安全验证、基础设施优化部署以及相关标准制定提供实证依据。

背景与挑战

背景概述

随着城市交通参与者数量的持续攀升，交通事故风险显著增加，其中行人、骑行者等弱势道路使用者在复杂城市环境中尤为脆弱，常因建筑物或停放车辆的遮挡而面临安全威胁。为应对这一挑战，自动驾驶与协同感知技术被视为提升道路安全的关键路径，特别是通过部署于交通信号灯或路灯杆等基础设施的传感器单元，能够有效扩展感知视野并减少遮挡，从而增强对弱势道路使用者的保护。在此背景下，图宾根大学嵌入式系统研究团队于2025年提出了CarlaNCAP数据集，该数据集基于CARLA仿真平台构建，包含约1.1万帧标准化EuroNCAP安全关键场景数据，旨在量化基础设施辅助协同感知对弱势道路使用者安全的提升效果，为相关技术的社会接受度与决策支持提供实证依据。

当前挑战

CarlaNCAP数据集致力于解决自动驾驶领域中弱势道路使用者的安全评估难题，其核心挑战在于如何准确量化基础设施辅助协同感知在遮挡严重、动态复杂的城市环境下对事故预防的实际贡献。现有协同感知数据集多缺乏针对弱势道路使用者的安全关键场景，且往往未涵盖标准化测试框架，导致安全性能评估缺乏可比性与可信度。在数据集构建过程中，研究团队需克服多重困难：一是设计符合EuroNCAP协议的安全关键场景，需精确模拟行人、骑行者的运动轨迹与车辆交互动力学；二是配置多传感器网络时，需合理布局12个路侧单元的位置与视角以最大化感知覆盖，同时处理相机与固态激光雷达在多天气条件下的数据融合问题；三是确保仿真数据在传感器噪声、通信延迟等方面的真实性，以支撑可靠的安全性能分析。

常用场景

经典使用场景

在自动驾驶与车路协同感知领域，CarlaNCAP数据集为评估基础设施辅助感知对弱势道路使用者安全性的影响提供了标准化测试平台。该数据集基于欧洲新车评估规程中的自动紧急制动场景，模拟了行人或骑行者被遮挡的典型城市交叉口情境，通过集成车辆与路边单元的传感器数据，支持研究者量化不同传感器配置下的事故避免能力。

解决学术问题

CarlaNCAP数据集解决了现有协同感知数据集中缺乏安全关键场景与弱势道路使用者针对性评估的学术空白。通过提供标准化的EuroNCAP测试协议场景，该数据集使研究人员能够系统分析基础设施传感器布局对感知性能的提升效果，并建立感知准确性与实际安全指标之间的量化关联，为车路协同系统的安全验证提供了可靠基准。

衍生相关工作

CarlaNCAP数据集推动了基础设施辅助感知领域的多项衍生研究，例如传感器布局优化框架的开发与多模态感知融合算法的改进。相关经典工作包括基于该数据集扩展的昼夜与恶劣天气条件下的安全评估，以及结合弱势道路使用者感知消息的协同感知协议设计，进一步丰富了车路协同安全研究的维度。