一、 Real Data

• ETH:

  • Univ. + Hotel;
  • 750 pedestrians exhibiting complex interactions

• UCY:

  • Zara01, Zara02 and Uni.
  • 780 pedestrians
    單應性矩陣，SLAM中的當用多個不同相機拍攝同一個三維平面需要考慮的矩陣，適應場景為平面情況
    商場
    這個數(shù)據(jù)集是用雙鳥瞰相機對平面拍攝
    將成群行走的人標出，ID和obsmat中一樣，每一行是一組 format id1 id2 id3
    數(shù)據(jù)集里有目的地，假設所有人都有一樣的目的地。
    標注xy平面的以米為單位。
    A homography from image to ground plane was estimated from four manually clicked points on the footpath to transfer image to world coordinates. As destinations we chose two points far outside the left and right image borders, which holds for most subjects。

• WildTrack: TrajNet++主要使用

  • ETH Zurich (蘇黎世聯(lián)邦理工)

• L-CAS：

  • 900 pedestrian tracks

• CFF：

  • 42 million trajectories
    在火車站安裝了超過100個攝像頭來捕捉軌跡。
    標注分為以下幾步

  • 檢測 detection,安裝top-view的optical和熱成像相機/或者深度相機來防止自遮擋。

  • Tracklet generation。給出分割前景輪廓。一旦人被定位到地面上，解minimum network flow（引用）。

  • Tracklet association
    

    確定entry point 和 exit point.從地圖上的起點到重點之間靠相機的一段段軌跡拼接成一個完整的軌跡。解優(yōu)化問題拼接軌跡。

二、Synthetic Dataset

• ORCA simulator selection.
• Dataset Generation:
  給定ORCA參數(shù)
  隨機初始化n個行人，(每個人)在半徑為r的圓上，所有人最小距離未d_min.

三、部分其它數(shù)據(jù)集

1. WILDTRACK

• 7個固定位置的HD相機。4個GoPro Hero 3 和 3個GoPro Hero 4。1920x1080, 60fps，同步差50ms左右

蘇黎世聯(lián)邦理工教學樓+天氣好

相機對齊：使用Pinhole camera model.

• 獲取 intrinsic and the extrinsic parameters
• we used points on the ground whose distance was measured by hand
• 3D重構；3D點+2D點。對7個相機的7x15個點進行尋優(yōu)，包括旋轉、平移、相機焦距、主點、radial distortion and tangential distortion.
  

標注：自己開發(fā)的Graphical User Interface (GUI)。標注bbox+前腳頂(大約是底邊的1/2)。

2. L-CAS
   室內(nèi)，3DOF(2D position + 1D rotation)在世界坐標系中。使用3D LiDar在固定地圖做 機器人
   

3. UCY(https://sci-hubtw.hkvisa.net/10.1111/j.1467-8659.2007.01089.x)
   目的是為了學習軌跡來設計行人模擬器。
   消費級相機；較高的視角；
   標注的x,y是行人在像素點的位置，幀中央為原點。還標注的行人看向的方向。
   文章來源地址http://www.zghlxwxcb.cn/news/detail-501524.html

到了這里，關于自動駕駛之行人軌跡預測數(shù)據(jù)集的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！