本文由未来智驾(ID: next-drive)编译

点击“阅读原文”获取 VentrueBeat 原文

数据集是机器学习算法的命脉。

从某种意义上说，正是它就“教会” AI 认识世界，尤其对于自动驾驶，数据集的质量更是至关重要。

此前，在自动驾驶领域，几个使用较为广泛的免费数据集包括 KITTI、百度的 ApolloScape 和 Udacity 的自动驾驶汽车数据集。

而近日，据外媒 venturebeat 报道，自动驾驶创业公司 nuTonomy 发布了一个名为 nuScenes 的自动驾驶数据集。据称，其在规模和精确度方面，均超过了上述几个数据集。

为 nuScenes 提供数据标注的，是一家总部位于旧金山的数据公司 Scale。

为了构建数据集，NuTonomy 收集了超过 1000 个场景，包括 140 万张图像，40 万次激光雷达扫描，和 110 万个三维包围盒。

由公司主导发布自动驾驶数据集早就不是新鲜事儿了。今年夏天，位于美国俄勒冈州的红外热成像仪制造商 Flir Systems，就发布了 1 万张基于热成像仪拍摄的图片，并进行了标注。

NuTononmy 使用了 6 个摄像头、1 个激光雷达、5 个雷达、GPS 和惯性测量传感器来捕捉数据。全部的数据采集自新加坡和波士顿两地，其中包含了颇具挑战性的特殊路况和气候。

值得一提的是参与 nuScenes 数据标注的 Scale 公司。自 2016 年创办至今，Scale 已累计标记了 2 亿英里的自动驾驶车辆的行驶数据，并且最近已将其业务范围扩展到无人机、虚拟助手以及依赖 AI 的“其他解决方案”。

附几个全球主流的自动驾驶测试数据集：

KITTI： http://www.cvlibs.net/datasets/kitti/

KITTI数据集由德国卡尔斯鲁厄理工学院和丰田美国技术研究院联合创办，是目前国际上最大的自动驾驶场景下的计算机视觉算法评测数据集。

该数据集用于评测立体图像(stereo)，光流(optical flow)，视觉测距(visual odometry)，3D物体检测(object detection)和3D跟踪(tracking)等计算机视觉技术在车载环境下的性能。

KITTI包含市区、乡村和高速公路等场景采集的真实图像数据，每张图像中最多达15辆车和30个行人，还有各种程度的遮挡与截断。

KITTI数据采集平台包括2个灰度摄像机，2个彩色摄像机，一个Velodyne 3D激光雷达，4个光学镜头，以及1个GPS导航系统。

Oxford Robotcar ： http://robotcar-dataset.robots.ox.ac.uk/datasets/

该数据集包含 2014 年 4 月到 2015 年 12 月间通过牛津市中心固定 10 公里路线上百次的数据采集。

总计约 1010 公里驾驶数据，同时包含超过 2000 万张由六台车载相机拍摄的图片，以及激光测距，GPS 和惯性导航收集的地貌资料，容量 23.15TB。

该数据集捕捉了许多不同的天气、交通、行人结合出来的路况，也包含建筑和道路施工这样的长期变化。

Cityscapes：https://www.cityscapes-dataset.com/

Cityscapes是由奔驰与2015年推出的，提供无人驾驶环境下的图像分割数据集。用于评估视觉算法在城区场景语义理解方面的性能。

该数据集包含来自50个不同城市的街道场景中记录的多种立体视频序列，除了20000个弱注释帧以外，还包含5000帧高质量像素级注释。用PASCAL VOC标准的 intersection-over-union（IoU）得分来对算法性能进行评价。

Cityscapes是目前公认的自动驾驶领域内最具权威性和专业性的图像语义分割评测集之一，其关注真实场景下的城区道路环境理解，任务难度更高且更贴近于自动驾驶等热门需求。