Argoverse 是由 Argo AI 联合卡内基梅隆大学、佐治亚理工学院等机构推出的面向自动驾驶研究的大规模感知与预测数据集。它首次在公开数据集中引入了 高清（HD）地图，为 3D 目标跟踪、运动预测和立体深度估计等任务提供了丰富的传感器数据与高精度地图信息。
1. 主要子集与任务
| 子集 | 任务方向 | 关键特征 |
|---|---|---|
| Argoverse‑Tracking | 3D 目标跟踪 | 包含 113 条车辆日志、约 29 万条标注的 3D 目标轨迹，提供 360° 摄像头图像、长距离 LiDAR 点云以及 6‑DOF 位姿 |
| Argoverse‑Motion Forecasting | 运动预测 | 超过 324 557 条 5 秒的车辆轨迹（约 30 万条），配套高精地图用于路径规划与多模态轨迹预测 |
| Argoverse‑Stereo Depth | 双目深度估计 | 提供前向立体摄像头数据，是少数公开数据集中同时拥有立体图像的资源 |
Argoverse 2（2023‑2024）在上述基础上进一步扩展了城市覆盖、轨迹数量和地图细节，加入了更丰富的道路拓扑与交通规则信息，适用于更高阶的感知‑规划‑控制全链路研究。
2. 数据规模与采集
- 场景数量：1263 个独特场景，覆盖美国匹兹堡、迈阿密等城市
- 传感器：7 个环视摄像头、前向立体摄像头、2 台 32‑线 LiDAR（≈10 Hz），以及高精度 GNSS/IMU 定位
- 标注对象：约 5 百万个 3D 目标实例，涵盖车辆、行人、自行车等 15 类
- 地图：矢量车道中心线、路网拓扑、栅格化地面高度图与可行驶区域图，总长度约 290 km
3. 获取方式与使用入口
| 资源 | 链接 | 说明 |
|---|---|---|
| 官方主页 | https://www.argoverse.org | 提供数据集概览、下载指南、基准排行榜 |
| GitHub API | https://github.com/argoai/argoverse-api | 包含 Python SDK、数据解压脚本、示例 Notebook |
| 原始论文 | https://arxiv.org/abs/1910.05452 （CVPR 2019） | 详细阐述数据采集、标注流程与基准任务 |
| Argoverse 2 说明 | https://www.argoverse.org/av2/ | 新版数据集的技术报告与下载入口 |
下载前需同意相应的许可证（MIT / Apache 2.0），并在学术论文或项目中引用官方文献。
4. 常见研究方向
- 3D 目标检测与跟踪：利用 LiDAR 点云与多视角图像进行 3D 边界框回归。
- 运动预测（Trajectory Forecasting）：基于过去 2 秒的轨迹与 HD 地图信息预测未来 3 秒路径，常用指标包括 minADE、minFDE、DAC 等。
- 地图感知与路径规划：借助矢量地图的车道拓扑与交通规则，实现端到端的感知‑规划‑控制闭环。
- 跨模态学习：结合立体图像、点云与地图进行多任务联合训练，提高鲁棒性。
5. 参考文献（可直接引用）
- Chang M‑F., Lambert J., et al. Argoverse: 3D Tracking and Forecasting With Rich Maps, CVPR 2019.
- Argo AI 官方文档与数据集说明（GitHub）。
- Müller M., Behrisch M. Argoverse 2: Next‑generation Datasets for Self‑driving Perception and Forecasting, 2024.
小结：Argoverse 通过融合高分辨率传感器数据、详尽的 HD 地图以及大规模的 3D 轨迹标注，为自动驾驶感知、预测和规划提供了完整且可复现的基准平台。研究者可以通过官方主页或 GitHub API 免费获取数据，并在多种任务上进行算法评估与创新。
声明：文章均为AI生成，请谨慎辨别信息的真伪和可靠性！