当前自动驾驶技术的落地边界正在从城市结构化道路向矿区、林区、高海拔作业区等非结构化越野场景延伸，但现有主流感知方案多依赖可见光摄像头，在夜间、扬尘、雨雪、树荫遮挡等极端环境下感知精度骤降，已经成为制约越野全天候自动驾驶落地的核心瓶颈，而面向红外感知的专用训练数据集缺失，更是相关技术研发的首要堵点。近日，中国科学院计算技术研究所正式发布的IRON数据集，正是针对这一行业痛点推出的核心数据供给成果。
作为国内首个大规模红外越野可行驶区域检测专用数据集，IRON共包含24314张经过密集标注的红外图像及同步采集的RGB数据，覆盖乡村土路、原始林区、高海拔无人区等多种典型越野场景，以及昼夜全时段光照条件，能够完整还原真实越野作业中的复杂环境特征。为兼顾数据时序关联性和标注效率，研发团队采用50Hz高频采集后降采样至2.5Hz的处理方案，同时搭建半自动标注流程，确保所有标注内容达到像素级精度，为算法训练提供高可靠性的数据基础。
该数据集的研发初衷正是为了解决夜间、低可见度越野环境下可见光感知可靠性不足的行业痛点，可为全天候自动驾驶的红外时序感知、多模态融合感知研究提供基础支撑。从应用场景来看，基于IRON数据集训练的感知算法，未来可广泛应用于矿区无人运输车辆、应急救援无人作业车、边境巡逻无人车、偏远地区无人配送车等特种自动驾驶场景，有效提升复杂环境下的可行驶区域判断精度，降低感知系统故障引发的安全风险。
作为数据要素在智能网联汽车领域的典型供给成果，IRON数据集的发布填补了我国红外越野感知专用数据集的空白，不仅能够加速相关技术的研发迭代，也为自动驾驶专用数据集的规范化构建、行业数据资源的开放共享提供了参考样本，对推动特种场景自动驾驶商业化落地、完善自动驾驶产业数据供给体系具有重要意义。
详情页内容：
_1769672084863.jpg)