在自动驾驶技术快速发展的今天，AI模型的训练离不开高质量的数据集。Waymo和NuScenes作为当前行业内最具代表性的两大数据集平台，各自拥有独特的数据结构与标注格式，为研究人员和开发者提供了丰富的信息支持。本文将围绕这两个数据集的格式特点进行深入解析，帮助读者更好地理解其组织方式与使用方法。

一、Waymo Open Dataset 数据格式概述

Waymo Open Dataset 是由谷歌旗下自动驾驶公司 Waymo 提供的一个大规模、多模态的自动驾驶数据集，包含激光雷达（LiDAR）、摄像头图像、语义分割以及车辆轨迹等多种类型的数据。该数据集以 .tfrecord 文件格式存储，每个文件对应一段连续的驾驶场景记录。

1. 数据组成结构

Waymo 的数据结构主要由以下几个部分构成：

• Context：描述整个场景的基本信息，包括地图坐标系、车道线信息、传感器配置等。
• Frames：每一帧表示一个时间点下的所有传感器数据和标注信息。每帧中包含了多个物体的状态信息，如位置、速度、方向等。
• Objects：对每一帧中的交通参与者（车辆、行人、自行车等）进行标注，包括3D边界框、类别标签、运动状态等。

2. 标注格式特点

Waymo 使用统一的标注标准，每个目标对象都有对应的三维边界框（bounding box），并提供以下关键属性：

• 类别（type）：区分是车辆、行人还是自行车。
• 三维坐标（center_x, center_y, center_z）：表示包围盒中心点。
• 尺寸（length, width, height）：包围盒尺寸。
• 方向角（heading）：物体朝向角度。
• 轨迹信息：可用于预测未来行为。

此外，Waymo 还提供了真值轨迹（ground truth trajectory）用于评估模型的预测性能。

二、NuScenes 数据格式解析

NuScenes 是由 nuTonomy（后被 Aptiv 收购）发布的一个全面、开源的自动驾驶数据集，广泛应用于目标检测、跟踪、行为预测等多个任务中。相较于 Waymo，NuScenes 在数据组织上更加模块化，便于扩展和维护。

1. 数据组织方式

NuScenes 采用 JSON 文件来组织其元数据，并通过多个表（table）之间的关联关系来构建完整的数据结构。主要表格包括：

• scene：描述场景基本信息。
• sample：表示某一时刻的快照，包含多个传感器数据。
• sample_data：具体传感器数据（如图像、点云）的信息。
• sample_annotation：标注信息，包括目标的类别、3D边界框等。
• instance 和 category：用于管理目标的身份和分类。
• ego_pose：自车位姿信息。
• calibrated_sensor 和 log：传感器校准与日志信息。

这种结构化的组织方式使得用户可以灵活地查询所需数据，并支持多种任务的联合训练。

2. 标注格式说明

NuScenes 中的每个目标同样使用三维边界框进行标注，其核心字段如下：

• translation：三维空间中的中心坐标。
• size：包围盒的长宽高。
• rotation：四元数形式的方向表示。
• velocity：物体的速度矢量。
• attribute_tokens：附加属性，如是否打灯、是否静止等。

此外，NuScenes 还引入了“visibility”属性，用于表示目标在图像中的可见程度，这对于视觉模型的训练具有重要意义。

三、Waymo 与 NuScenes 的对比分析

尽管两者都致力于提供高质量的自动驾驶数据，但在数据格式设计和应用场景方面存在一定差异。

Waymo 更注重于工业级的应用，其数据质量极高，适合开发高性能感知系统；而 NuScenes 则更偏向学术研究，结构清晰、文档完善，适合算法探索与验证。

四、实际应用中的注意事项

在使用这两个数据集时，开发者需要注意以下几点：

1. 格式转换问题：由于两个数据集的格式不同，在跨平台训练或迁移学习时可能需要进行格式转换，建议使用官方提供的 SDK 或第三方工具库（如 waymo-open-dataset 和 nuscenes-devkit）进行处理。
2. 数据预处理流程：应根据任务需求选择合适的数据维度，例如对于纯视觉任务可仅提取图像和相机参数，而对于多模态融合任务则需同时处理 LiDAR 和图像数据。
3. 标注一致性检查：尤其是在使用多个数据集混合训练时，应注意不同数据集之间的标注标准是否存在差异，避免造成训练偏差。

五、结语

随着自动驾驶技术的不断演进，数据驱动的方法成为主流趋势。Waymo 和 NuScenes 各具特色，分别适用于不同的研究和工程需求。通过对它们数据格式的深入理解，开发者能够更高效地构建训练流水线，提升模型性能。在未来，随着更多开放数据集的涌现，我们期待看到更多创新的算法与解决方案在这些平台上诞生。