CODA：自动驾驶中路面目标检测的极端情况数据集

缺少 | 测算机听觉广度学习和自动驾驶

知圈 | 开“滑板底盘集合”请加微yanzhi-6,#底盘

2022年3月arXiv论文“CODA: A Real-World Road Corner Case Dataset for Object Detection in Autonomous Driving”，TCL和香港、广州所中学大学一起刊出。

大多数现有的发生器无法监测到不常见的远距离和极端可能会（例如，狗过马路），在某些可能会下可能导致事故。阻碍开发似乎可靠的自动驾驶的系统的主要原因是缺乏公共数据集集来评量极端可能会下远距离发生器的性能。因此这里引入了一个CODA的吸引力数据集集，该数据集集揭示了基于听觉发生器的关键问题。该数据集集由 1500 个精心制作分派的想像驾驶故事情节组成，每个故事情节包含四个远距离级的极端与此相关（平均），跨越 30 多个远距离一般而言。在大规模自动驾驶数据集集上训练的标准远距离寄存器在CODA的mAR表现大大的回升到不高达12.8%。

此外，采用最先开的开放世界远距离发生器开行时实验者，断定无法有效辨识CODA之中的新远距离，这证明用于自动驾驶的有力认知的系统仍遥不可及。CODA数据集集期望能促开对想像自动驾驶可靠监测的有利于数据分析。（数据集集网址：）

论文内容与结果

如图是CODA和其他发布新闻数据集集的监测结果相当：

该图是CODA的一些范例：

CODA之中故事情节便是三个大型自动驾驶数据集集之中精心制作分派的：KITTI 、nuScenes 和ONCE，一共为CODA建树了1500个不同的故事情节，每个故事情节至少包含一个对自动驾驶汽车或其周围生活和资产有害的远距离级极端与此相关。极端可能会通常可以分为7个超级一般而言：车辆，行人，骑行者，类动物，公路交通，障碍物和除此以外，如图列出的是示例34个细分一般而言：

用于确定远距离是否为极端可能会的主要标准如下：

风险：远距离阻挡或即将阻挡自动驾驶汽车的潜在梯度。不在交通设施上的模板远距离，如树木和建筑物，不被认作阻挡。

新颖性：该远距离不属于任何共通类的共通驾驶原则上，或者它是共通类的新范例。为简单起见，把SODA10M的类作为共通类。

CODA的数据集集建设分两个主要阶段开行时。第一阶段是自动转换成提议，从初始数据集之中辨识潜在的极端可能会，在第二阶段，手动选择和标记，消除新闻报导，对剩余的真远距离开行时分类，同时修改其方格使其更粗略。

下图是用于转换成极端与此相关提议（COPG）的流水线。流水线重定向是给定故事情节的点云和图形。点云用于测算（a），而图形（b）用于转换成（c）和（d），这更容易移除无效示意。输出（g）是一组方格，指示图形之中示意的极端可能会。

监测结果及评量

下表是与其他交通设施异常数据集集的相当。与CODA来得，其他数据集集要么是制备的，要么是小规模的。BDD-Anomaly （v1） 是现实世界之中最大的一个交通设施异常集，尽管它在范例使用量上与 CODA 非常，但只包含两个远距离类。

下表是CODA上的监测结果：

下图是COPG的提议和标有范例：

下表是COPG和其他非正常/远距离发生器的评量：