自駕車訓練用公開資料集

 以下是目前主流與知名的 自駕車訓練用公開資料集，

涵蓋感測器種類（相機、雷達、LiDAR、IMU）、

場景（城市、高速公路、惡劣天氣）、

標註（物件偵測、語意分割、行為預測）

等面向的詳細比較：

---

🚗 自駕車公開資料集總覽比較表

資料集名稱	感測器	場景	標註類型	優點	缺點
KITTI (德國)	相機、LiDAR、GPS	城市、高速公路	2D/3D偵測、分割、SLAM	經典資料集、支援多任務	資料量偏少、不支援夜間或雨天
nuScenes (新加坡)	6相機、5雷達、LiDAR、IMU	城市交通	3D偵測、tracking、地圖語意	感測器多樣、有完整時間序列、天氣變化	LiDAR 解析度較低（20Hz）
Waymo Open Dataset	LiDAR x5、相機x5	高速與市區	3D偵測、tracking、車道	高品質 LiDAR、多視角、覆蓋大範圍	檔案極大，處理需高效能資源
ApolloScape (百度)	相機、LiDAR、IMU	城市與鄉間道路	車道標記、語意分割、SLAM	中國場景為主、支援多種任務	標註風格與其他資料集略異
Argoverse (Lyft)	相機、LiDAR、地圖	城市	行為預測、追蹤、車道規劃	提供高精地圖、支援多軌跡預測	覆蓋城市較少（邁阿密、匹茲堡）
Comma2k19	相機、GPS/IMU	高速公路	軌跡、自我定位、自駕控制	高速路連續駕駛數據、多樣控制訊號	無 LiDAR，僅適合端到端學習
BDD100K	相機	城市/鄉間	2D偵測、分割、追蹤、車道辨識	標註完整、天氣與時間多樣	無 3D 標註、無 LiDAR
A2D2 (Audi)	LiDAR、相機	高速與市區	3D偵測、語意分割	工業等級感測器、影像+點雲對應良好	授權較限制性、資料格式不統一
H3D	相機、LiDAR	都市街景	3D tracking、姿態估計	支援多目標追蹤與姿態	感測器頻率較低、沒有 IMU/GPS
Pandaset	相機、LiDAR、GPS/IMU	舊金山城市交通	3D偵測、tracking、語意	資料品質高、支援多感測器融合	對新手較複雜、下載需要註冊

---

🔍 資料集用途選擇指南

需求類型	推薦資料集	原因說明
2D 物件偵測 / 分割	BDD100K、KITTI	資料標註清楚，易於快速入門
3D 物件偵測	nuScenes、Waymo	標註準確，支援多感測器同步
車道與地圖學習	ApolloScape、Argoverse	含精密地圖與拓樸結構
行為預測 / 多目標追蹤	Argoverse、H3D	包含軌跡預測、交通參與者互動資料
端到端控制（模仿學習）	Comma2k19	提供駕駛控制訊號 + 視覺資訊
惡劣環境 / 夜間場景	BDD100K、nuScenes	時間段多樣（白天/夜間/雨天等）

📦 延伸資源建議

• KITTI 的衍生：KITTI-360（360° SLAM）、KITTI-MOTS（Multi-Object Tracking + Segmentation）

• 自駕挑戰賽使用資料集：如 Waymo Challenge、nuScenes Challenge 有提供特定挑戰標註子集

• 多國資料集對照：ApolloScape（中國）、BDD100K（美國）、nuScenes（新加坡）

---

📝 小結

資料集	適合任務	資料量	使用建議
KITTI	經典任務，適合教學與原型開發	中	快速原型建議首選
nuScenes	融合感測、序列資料	高	融合感測與預測任務
Waymo	高品質 LiDAR，多場景	非常高	高階 3D 訓練平台
Comma2k19	端到端控制訓練	中	模仿學習、自駕控制
Argoverse	車道導航、行為預測	高	多軌預測與地圖學習

如果你希望我提供：

• ✅ 資料下載與預覽方式

• ✅ ROS bag 轉換格式

• ✅ 選擇特定場景（如十字路口、自行車道）資料提取程式