K-Lane|自动驾驶数据集|车道检测数据集

K-Lane是世界上首个也是最大的公共城市道路和高速公路激光雷达车道数据集，包含超过1.5万个帧，涵盖了多达六个车道的标注，适应于多种道路和交通条件，如多级遮挡道路、白天和夜晚道路、合并（收敛和发散）以及弯曲车道。

原始信息汇总

K-Lane 数据集概述

数据集简介

K-Lane (KAIST-Lane) 是由 AVELab 提供的全球首个开放的 LiDAR 车道检测框架，包含在城市环境中多种驾驶场景的数据集。该数据集提供了车道标注的框架、标注工具和可视化工具。

数据集下载

数据集可以通过以下两种方式获取：

通过服务器

1. 使用以下凭据登录服务器：

   • ID: klaneds
   • Password: Klane2022

2. 进入 "File Station" 文件夹，右键下载数据集。

3. 下载完成后，请按照以下结构整理工作目录：

   KLaneFrameworks ├── annot_tool ├── baseline ├── configs ├── config_vis.py ├── Proj28_GFC-T3_RowRef_82_73.py ├── Proj28_GFC-T3_RowRef_82_73.pth ├── data ├── KLane ├── test ├── train ├── seq_1 : ├── seq_15 ├── description_frames_test.txt ├── description_test_lightcurve.txt ├── logs

通过 Google Drive

1. 通过以下链接下载数据集：
   • seq_01 到 seq_04
   • seq_05 到 seq_12
   • seq_13 到 seq_14
   • seq_15, test 和 description

环境要求

• Python 3.7 / 3.8
• Ubuntu 18.04
• Torch 1.7.1
• CUDA 11.2

训练与测试

• 训练模型：

  python train_gpu_0.py ...

• 使用预训练模型进行测试：

  python validate_gpu_0.py ...

模型库

名称	总体	白天	夜晚	城市	高速公路	曲线	合并	Occ-0	Occ-2	Occ-4~6	GFLOPs	模型链接	论文链接
LLDN-GFC	82.12	82.22	82.00	81.75	82.55	78.05	81.08	82.97	81.28	75.92	558.0	Link	Link
RLLDN-LC	82.74	82.58	82.92	81.64	84.05	76.16	79.92	83.44	82.00	79.16	387.5	Link	Link

开发工具包

1. 可视化工具
2. 标注工具

更新记录

• [2022-04-18] v1.0.0 版本发布，包含 K-Lane 数据集。

许可证

K-Lane 数据集基于 Apache-2.0 许可证发布。

引用

如果该数据集对您的研究有帮助，请考虑引用：

@InProceedings{paek2022klane, title = {K-Lane: Lidar Lane Dataset and Benchmark for Urban Roads and Highways}, author = {Paek, Dong-Hee and Kong, Seung-Hyun and Wijaya, Kevin Tirta}, booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshop on Autonomous Driving (WAD)}, month = {June}, year = {2022} }

AI搜集汇总

数据集介绍

构建方式

K-Lane数据集的构建采用了Lidar传感器和前视摄像头，收集了超过15K帧的注解数据，涵盖了城市道路和高速公路上各种交通和道路条件。数据收集包括白天和夜晚的不同光照条件、不同程度的道路遮挡、合并（汇合和分叉）以及曲线车道。为了生成精确的标注，将Lidar点云投影到鸟瞰图（BEV）上，通过阈值化强度测量提取关键点，并绘制每个车道的单像素宽线条。数据集还提供了用于训练、评估、数据集开发和可视化的开发工具包（devkits），包括标签和注释工具，以方便研究人员使用。

特点

K-Lane数据集的特点在于其多样性、高分辨率和精确标注。数据集包含了城市道路和高速公路上的数据，涵盖了白天和夜晚的不同光照条件、不同程度的道路遮挡、合并（汇合和分叉）以及曲线车道。每个注解都包含了车道线的分割标签、驾驶条件、车道形状和遮挡级别。此外，数据集还提供了与Lidar点云精确校准的前视摄像头图像，以便于直观可视化和多模态传感器（例如传感器融合）的进一步研究。

使用方法

使用K-Lane数据集的方法包括训练、评估、数据集开发和可视化。数据集提供了开发工具包（devkits），包括训练和评估的代码、预训练模型、以及用于评估、可视化和注释的工具。研究人员可以使用这些工具来训练和评估基于Lidar的车道检测网络，并开发新的车道检测算法。此外，数据集还提供了用于开发新的数据集和基准测试的工具，以促进基于Lidar的车道检测研究的发展。

背景与挑战

背景概述

K-Lane数据集是韩国科学技术院KAIST开发的世界首个也是最大的公共激光雷达车道数据集，用于城市道路和高速公路的车道检测。该数据集由Dong-Hee Paek、Seung-Hyun Kong和Kevin Tirta Wijaya等人于2022年创建，旨在解决现有相机车道检测网络在光照条件不佳时性能下降的问题。K-Lane包含超过15,000帧数据，涵盖多种道路和交通条件，如不同程度的遮挡道路、白天和夜晚的驾驶条件、合并（收敛和发散）和曲线车道。该数据集的引入极大地推动了激光雷达车道检测网络的研究，并为自动驾驶的安全性和可靠性提供了新的可能性。

当前挑战

K-Lane数据集面临的挑战主要涉及两个方面：1) 领域问题：尽管激光雷达在车道检测方面具有优于相机的性能，但由于缺乏大型公开的激光雷达车道数据集，相关研究进展缓慢。K-Lane数据集的创建填补了这一空白，但如何进一步扩大数据集规模、提高数据质量，以及探索更多复杂场景下的车道检测问题，仍然是研究的重点。2) 构建过程：K-Lane数据集的构建涉及激光雷达点云的采集、处理、标注等多个环节，需要精确的传感器校准和高效的数据处理流程。此外，如何将K-Lane数据集与其他类型的数据集进行融合，以及如何开发更加智能的车道检测算法，也是当前的研究热点。

常用场景

经典使用场景

K-Lane 数据集作为全球首个且规模最大的公开激光雷达车道数据集，其经典使用场景在于为自动驾驶系统提供精确的车道线检测。该数据集包含了超过15K帧数据，涵盖多种道路和交通条件，如不同光照条件下的道路、具有不同遮挡水平的道路、合并（汇聚和发散）以及曲线车道等。这些场景为自动驾驶车辆在复杂多变的环境中准确识别车道线提供了丰富的训练数据，从而增强了自动驾驶车辆在不同条件下的行驶安全性。

衍生相关工作

K-Lane 数据集的引入衍生了一系列相关研究，如Lidar lane detection networks utilizing global feature correlator（LLDN-GFC）。LLDN-GFC 网络充分利用了点云中车道线的空间特征，通过全局特征相关性来提取车道线特征，并在K-Lane 数据集上取得了优异的性能。此外，LLDN-GFC 网络还展示了在多种光照条件下的鲁棒性，以及在严重遮挡情况下的稳定性，为自动驾驶车辆的精确车道线检测提供了有力支持。

数据集最近研究

最新研究方向

K-Lane数据集的引入为基于激光雷达的道路车道检测研究开辟了新的方向。该数据集包含了超过15,000帧的激光雷达数据，涵盖了城市道路和高速公路的各种交通条件，包括不同光照强度下的道路、不同级别的车道遮挡、以及合并和曲线车道。K-Lane数据集的发布填补了激光雷达车道检测网络（LLDN）研究领域的数据集空白，为研究人员提供了大量的训练样本，有助于提高LLDN的性能和鲁棒性。此外，K-Lane数据集还包含了与激光雷达数据相对应的RGB图像，为多模态传感器融合的车道检测研究提供了可能。K-Lane数据集的发布对于推动自动驾驶技术的发展具有重要意义，有助于提高自动驾驶车辆在各种交通条件下的安全性和可靠性。

相关研究论文

• K-Lane: Lidar Lane Dataset and Benchmark for Urban Roads and Highways

  · 2023年