| 内容 | 关键信息 |
|---|---|
| 创建单位 | 由 Motional（前身 nuTonomy）团队研发 |
| 发布时间 | 2019 年 3 月正式发布 |
| 采集地点 | 美国波士顿（Boston Seaport）和新加坡（One North、昆斯敦、Holland Village） |
| 场景数量 | 1000 条驾驶场景，每条约 20 秒，累计约 15 小时 |
| 传感器布局 | - 1 台 32 条旋转激光雷达（LiDAR） - 5 台长距离雷达（Radar） - 6 台环视摄像头（Camera） - IMU、GPS、CAN 总线等 |
| 数据规模 | - 约 140 万张摄像头图像 - 约 39 万帧激光雷达点云（约 1.1 B 点） - 约 390 万帧雷达扫描 |
| 标注类别 | 23 类对象（包括汽车、卡车、公交车、行人、骑行者、摩托车等），并提供 3D 边界框、属性（可见性、姿态、速度） |
| 任务与基准 | - 3D 目标检测 - 多目标跟踪 - 行为预测 - 场景理解 评估指标包括 mAP、NDS（nuScenes Detection Score）以及多项 TP（平移误差、尺度误差、方向误差、速度误差、属性误差） |
| 官方资源 | - 官网与下载入口：https://www.nuscenes.org - 数据集说明文档与 SDK（Python） - 论文 PDF（CVPR 2020） |
| 主要论文 | nuScenes: A Multimodal Dataset for Autonomous Driving，Holger Caesar 等，CVPR 2020，DOI: 10.1109/CVPR42600.2020.01164 |
详细介绍
- 数据集定位
nuScenes 旨在为自动驾驶感知与决策提供大规模、多模态、真实道路的感知数据。相较于早期的 KITTI 数据集，nuScenes 在场景复杂度、传感器种类、天气与时间多样性上都有显著提升，覆盖夜间、雨天等极端条件。 - 传感器与同步
- LiDAR：单台 32 条旋转激光雷达，提供 360° 点云。
- Radar：5 台长距离雷达，补充速度信息。
- Camera：6 台摄像头（前、后、左右），分辨率 1600×900，帧率 12 Hz。
- IMU / GPS / CAN：提供车辆姿态、位置、控制指令等。
所有传感器通过硬件触发实现时间同步，确保跨模态对齐。
- 标注与属性
每帧图像/点云均配有 3D 边界框，标注 23 类对象。属性包括可见性（完全、部分、遮挡）、姿态（站立、坐着、行走）以及速度向量，使得检测任务能够评估位置、姿态与运动状态的综合表现。 - 评估体系
- mAP（Mean Average Precision）：传统检测精度指标。
- NDS（nuScenes Detection Score）：综合考虑检测精度与属性、速度等多维度的综合得分。
- TP 系列：分别衡量平移误差（ATE）、尺度误差（ASE）、方向误差（AOE）、速度误差（AVE）和属性误差（AAE），帮助细化模型弱点。
- 使用方式
- 官方提供 Python SDK，可直接读取场景、样本、标注、地图等信息。
- 数据分为 full（全部传感器）和 mini（子集）两种规模，便于快速原型实验。
- 所有数据仅限 非商业研究 使用，需在官网下载并同意许可协议。
关键链接
- 官方主页 & 下载： https://www.nuscenes.org
- 论文 PDF（CVPR 2020）： https://doi.org/10.1109/CVPR42600.2020.01164
- GitHub SDK（示例代码与文档）： https://github.com/nutonomy/nuscenes-devkit （可在官网获取最新链接）
参考文献
- Holger Caesar 等. nuScenes: A Multimodal Dataset for Autonomous Driving. CVPR 2020. DOI:10.1109/CVPR42600.2020.01164
- Motional（前 nuTonomy）官方介绍. https://www.nuscenes.org
通过上述信息，你可以快速了解 nuScenes 数据集的规模、结构、标注细节以及获取渠道，进而在自动驾驶感知、预测等研究中进行实验与评估。
声明：文章均为AI生成，请谨慎辨别信息的真伪和可靠性！