argoverse数据集-麻将胡了pg电子网站

argoverse针对的任务：3d追踪和动作预测，两个任务对应的数据集其实是独立的，只是采集设备和采集地点一样而已。提供了360度的视频和点云信息，并根据点云重建了地图，全天候全光照。标注了视频和点云中的3d bounding box。3d追踪的数据集包含113段15-30秒的视频，动作预测中包含323,557段5秒的视频（总计320小时）。数据集的主要亮点还是在原始数据和地图的联动上。

public datasets supported by highly detailed maps to test, experiment, and teach self-driving vehicles how to understand the world around them.

argoverse数据集是由argo ai、卡内基梅隆大学、佐治亚理工学院发布的用于支持自动驾驶汽车3d tracking和motion forecasting研究的数据集。数据集包括两个部分：argoverse 3d tracking与argoverse motion forecasting.

argo数据集通常称为argoverse，它通过1000 多个驾驶小时，324,557 条的车辆轨迹，形成的数据集。pg电子试玩链接官网地址： 简介一个包含 113 个场景的 3d 跟踪注释的数据集；一个数据集包含 324,557 条有趣的车辆轨迹，从 1000 多个驾驶小时中提取；两张带有车道中心线、交通方向、地面高度等的高清 (hd) 地图；一种将地图数据与传感器信息连接起来的 api；...

 argoverse，这是一个旨在支持自动驾驶车辆感知任务的数据集，包括 3d 跟踪和运动预测。 argoverse 包括由匹兹堡和迈阿密的自动驾驶车队收集的传感器数据以及 3d 跟踪注释、300k 提取的有趣车辆轨迹和丰富的语义地图。 传感器数据包括来自 7 个具有重叠视野的摄像机的 360° 图像、前向立体图像、来自远程 lidar 的 3d 点云和 6 自由度姿态。 我们 290 公里的映射车道包含丰富的几何和语义元数据，这些元数据目前在任何公共数据集中都不可用。 所有数据均根据 argoverse.org 的知识共享许可发布。 在基线实验中，我们使用车道方向、可行驶区域和地面高度等地图信息来提高 3d 对象跟踪的准确性。 我们使用 3d 对象跟踪来“挖掘”超过 30 万条有趣的车辆轨迹，以创建轨迹预测基准。 从经典方法 (k-nn) 到 lstm 的复杂性运动预测实验表明，使用带有车道级信息的详细“矢量地图”可显着减少预测误差。 我们的跟踪和预测实验仅代表了对丰富地图在机器人感知中的潜力的肤浅探索。 我们希望 argoverse 能让研究界更深入地探索这些问题。