背景

提前获取道路的状态与特性能够为自动驾驶车辆规划和控制系统提供有效信息，从而提高车辆的安全性和驾乘舒适性。利用视觉图像进行道路感知被证实是一种有效的解决方案。但目前仍然缺少一个大规模的真实场景路面感知图像数据集。基于此背景，我们实车采集、手工标注并发布了该路面图像分类数据集（RSCD），提供路面附着水平、不平度及材质的全状态详细标注信息，共包含约100万张图片。

数据获取

路面原始图片由高性能车载摄像头获取，它具有最高105dB的宽动态范围，能保证强烈光照变化下的成像质量。不同于自动驾驶环境感知数据集，我们更关注路面信息。因此为确保路面区域的图像解析度，摄像头被安装在引擎盖上并具有一定的俯角。

我们在尽可能多的实车工况下进行了图像采集，在数据集层面提升了所要开发算法模型的泛化能力。实验于 2022 年 1 月至 7 月在北京开展，覆盖了不同季节、天气、路况及材质状态下的约 700 公里的道路。

为实现精细化的路面状态感知，我们将原始图片的路面区域裁剪成360*240大小的图像块，并根据下面的类别定义进行手动标注。标注过程根据类别定义严格进行，每张图片均经过初步标注和二次质检，尽最大可能减小标签噪声。

类别定义

对车辆而言，道路的附着水平、不平度状态和材质信息对于规划控制系统和驾驶辅助应用至关重要。如图1所示，我们考虑这三种路面属性的以下状态：

• 附着水平属性包含六个子类，对应不同的天气条件，即干、湿、积水、新雪、融雪和冰。
• 道路材料属性包括沥青路、水泥路、土/泥路和砂石路四种。
• 不平度根据路面图像纹理所呈现的损伤程度被分为平整、轻微不平和严重不平三种。

图1. 道路特性和类别定义

将以上三种路面属性的子类组合，构成数据集的类别定义。需要注意的是，当附着级别为新雪、融雪或冰时，没有标注道路材料和不平整度。因为此时轮胎几乎不和路面自身接触，并且被覆盖后，从视觉信息无法判断这些属性。对于土/泥路或砂石路，不平整度也没有标注。最后，我们得到 27 个组合类别。此外，研究人员可以使用部分上述路面属性来开发自己的算法。

图2展示了部分类别的图片示例。图3为这27个类别的具体名称及对应的图片数量。

图2. 部分类别的图片示例 (a). dry-asphalt-smooth (b). dry-asphalt-slight (c). dry-asphalt-severe (d). water-asphalt-severe (e) wet-asphalt-slight (f). wet-concrete-smooth (g). wet-concrete-severe (h). water-concrete-slight (i). water-mud (j). dry-gravel (k). melted snow (l). ice.

图3. 类别定义及相应的图片数量

我们将以上图像分为训练集（约96万张）、验证集（约2万张）和测试集（约5万张）。验证集和测试集通过随机采样得到，和训练集近似独立同分布。我们也为测试集提供了真实标签。

需要提及的是，由于实车采集的难度，雨天及严重损伤道路的图像样本相较于其他较少，导致该数据集存在类间不平衡问题，这些类别在验证集和测试集中的数量相对较少。我们正致力于解决此问题，针对这些工况的实车实验仍在进行。

意义与价值

这是首个面向自动驾驶的大规模真实场景路面分类数据集，专注于路面自身的属性与状态，实现基于视觉的路面感知。附着水平信息能够为自动驾驶的规划决策及底盘控制系统提供车辆动力学安全边界约束，实现更安全稳定的横纵向规划控制。不平度状态能够为主动悬架系统提供路面不平信息，实现更精确的车辆垂向振动控制，提高驾乘舒适性。

同时，该数据集的部分属性也可用于开发其他应用，如道路养护和交通事故预防。

如何获取

RSCD 数据集由清华大学车辆与运载学院研究团队发布并维护，面向学术研究完全开放。详细信息请查看：

数据集下载链接：https://sourl.cn/MNXMgW

Github：https://github.com/ztsrxh/RSCD-Road_Surface_Classification_Dataset

内容中包含的图片若涉及版权问题，请及时与我们联系删除