The OPNV Data Collection: A Dataset for Infrastructure-Supported Perception Research with Focus on Public Transportation

本文介绍了我们的愿景和正在进行的工作，旨在设计一种新的数据集，以推进智能车辆和基础设施互操作性的研究，特别是旨在增强公共交通领域中的合作感知和交互。与以自我车辆数据为中心的传统数据集不同，这种方法包括一个固定的传感器塔和一个移动车辆，每个设备都配备了相机、LiDAR和GNSS，而车辆还包括惯性导航系统。我们的设置具有全面的校准和时间同步，确保了对于研究复杂、动态场景至关重要的无缝和准确的传感器数据融合。数据集强调公共交通，旨在包括公交车站操纵和在专用公交车道上行驶等场景，反映了小型公共汽车的特定情况。我们引入了新数据集的开源“.4mse”文件格式，配备了一个研究工具包。该工具包提供了诸如自我运动补偿或LiDAR到相机投影等工具，以实现智能车辆基础设施集成的高级研究。我们的方法不包括注释；但是，我们计划实现从最先进的公共存储库获取的自动生成标签。仍有几个方面需要讨论，社区的及时反馈将不胜感激。一个数据帧的 sneak preview 将在 Google Colab Notebook 上提供。此外，我们将使用相关的 GitHub 存储库收集意见和建议。

本文旨在提出一个新的数据集，用于推进智能车辆和基础设施的互操作性研究，特别是在公共交通领域增强合作感知和互动。

本文提出了一种新的数据集设计，包括一个静止的传感器塔和一个移动的车辆，每个设备都配备了相机、LiDAR和GNSS，而车辆还包括惯性导航系统。该数据集强调公共交通，旨在包括公交车站操作和在专用公交车道上行驶等场景。同时，本文提出了开源的“.4mse”文件格式和相关的研究工具，如自我运动补偿或LiDAR到相机的投影，以便进行智能车辆基础设施集成的高级研究。

本文的亮点包括全面的校准和时间同步，确保了复杂动态场景的无缝和准确的传感器数据融合；数据集不包含注释，但计划实现从最先进的公共存储库中获取的自动生成标签；作者将提供一个Google Colab Notebook的数据帧预览，并使用相关的GitHub Repository收集评论和建议。

近期在这个领域中，还有一些相关的研究，如《A Survey of Intelligent Transportation Systems》、《A Comprehensive Survey of Deep Learning for Object Detection》等。