美国多传感器路口轨迹数据集IPC-MSOT：为CAVs时代“车路协同感知”奠定数据基石

《IEEE Data Descriptions》：Descriptor: Infrastructure Perception and Control: Multi-Sensor Object Tracking Dataset (IPC-MSOT)

为破解路口死伤占比高、单传感器盲区大、轨迹级信号控制缺真值等难题，NREL团队联合科罗拉多泉市在3类路口部署雷达+激光雷达+摄像头，构建IPC-MSOT数据集，首次给出10 Hz预标定、预分类、时空对齐的物体级轨迹，可直接喂给late-stage fusion算法，显著降低SMART项目车路协同感知验证门槛。

　　

当自动驾驶汽车驶近城市路口，它最怕什么？——突然蹿出的行人、横向闯红的货车、以及被大型SUV遮挡的自行车。美国每年约1/4交通死亡和1/2受伤发生在路口，单辆车“眼睛”再强，也难逃周边遮挡与感知盲区。把“眼睛”搬到天空，利用路侧传感器提供上帝视角，成为CAVs（Connected and Automated Vehicles）时代的共识，但业内却长期缺少一份“真值完备、跨传感器、轨迹级”的开放数据，导致研究者无法公平比较late-stage sensor fusion算法，交通工程师也难以为基于轨迹的信号控制（trajectory-based signal control）找到训练样本。

为填上这块“数据洼地”，美国能源部下属国家可再生能源实验室（NREL）与科罗拉多泉市在美国交通部SMART Grant资助下，于2024年启动“基础设施感知与控制”计划，系统采集并发布Infrastructure Perception and Control-Multi-Sensor Object Tracking（IPC-MSOT）数据集。作者Faizan Mir等选择高速、城区、乡村三类典型路口，动用移动实验车+杆件共布设4台Econolite EVO雷达、2台Ouster OS1-64激光雷达及1台Axis摄像头，全部升至6–9 m高度以模仿真实信号杆视角；通过车载30英尺升降桅杆、NTP时间服务器与边缘计算盒，实现10 Hz时空同步采集，累计获取超380万条预检测、预分类、已标定的物体轨迹，并附2D旋转平移参数，方便用户把多传感器数据一键映射到统一世界坐标系。

关键结论一目了然：

1. 与仅提供原始点云或图像的既有数据集不同，IPC-MSOT直接给出结构化object list，包含PositionX/Y、SpeedX/Y、HeadingDeg等通用字段，以及TrackQuality、PredictionFlag等传感器专属置信度，可直接用于训练轨迹级融合模型。
2. 通过在高-speed路口对角增设杆件雷达，研究者证实EVO雷达275 m探测距离与110°FOV可显著弥补OS1激光雷达45 m量程短板，而360°旋转OS1又以0.1 m级精度捕获非机动车与行人，使“雷达-激光雷达-摄像头”形成互补感知圈。
3. 经2D刚体变换统一坐标后，重叠车道内物体轨迹平均误差<0.3 m，TrackQuality≥50%的轨迹占比>92%，证明现场外参自标定方法可支撑实时融合。
4. 数据集已用于验证IPC框架下的cooperative perception engine，在N.Powers & Palmer Park Blvd等路口将延迟控制在100 ms内，为后续eco-approach/departure优化、curbside space分配等应用提供毫秒级真值。

该成果以数据论文形式发表于《IEEE Data Descriptions》，一次性把“感知-控制”链条的基准数据、校准参数与验证动画全部开源，意味着全球研究者可在同一起跑线上测试late-stage fusion、trajectory-based control及V2X消息压缩算法，而无需重复昂贵的路口布设。对正冲刺L4自动驾驶与智能信号控制的产业界而言，IPC-MSOT如同提供了一把“路口真值标尺”，将显著缩短算法迭代周期，降低实景测试成本，并有望直接转化为减少路口死伤的技术方案。

主要关键技术速览（≤250字）
依托NREL的IPC移动实验室，在3类路口布设EVO雷达、OS1-64激光雷达与Axis摄像头，通过30英尺升降桅杆模拟信号杆高度；利用NTP服务器实现10 Hz跨传感器时钟同步；借助InnoSenT API、Outsight SHIFT与Axis Analytics进行边缘侧实时检测与跟踪；采用2D刚体变换（旋转θ+平移T）将多传感器数据映射至统一世界坐标系（z=0地面），并输出带ObjectId、PositionX/Y、SpeedX/Y、HeadingDeg、TrackQuality、PredictionFlag等字段的CSV轨迹文件，附transformation2d_parameters.csv供用户直接重投影。

研究结果

数据集概述
IPC-MSOT涵盖2024-06-24、2024-08-21、2024-10-30、2024-11-22与2024-12-20五个采集日，分高速、城区、乡村三处路口，共释放约3.8×10^6条轨迹。每条轨迹含时间戳、类别（Car/Big-Truck/Person/Two-Wheeler等）、3D位置与速度、长宽高、体积及置信度。

传感器性能比较
通过对比同时间段雷达与激光雷达的object count，作者发现：EVO雷达在275 m范围内对Big-Truck与Small-Truck细分能力优于OS1，但把自行车与行人合并为Non-Motorized；OS1虽最大量程45 m，却可细分为Two-Wheeler与Person，且点云密度高，适合近距精确停车线检测。

时空标定质量
图10显示，经2D旋转平移后，多传感器在重叠车道内的轨迹高度重合；样本动画sample_animation.avi亦证实时序对齐误差<100 ms，满足CAVs实时决策需求。

置信度与可用性
雷达TrackQuality≥50%的轨迹占92%以上；激光雷达PredictionFlag=False的纯检测点占87%，表明预测填充比例受控，可方便地在融合阶段剔除外推点。

研究结论与讨论
IPC-MSOT首次把“路侧多传感器+预标定+轨迹级真值”打包开源，其意义不止于数据量：

1. 为late-stage sensor fusion提供可直接喂入的CSV真值，避免重复耗时的点云标注；
2. 通过高速/城区/乡村三种交通密度，验证雷达-激光雷达-摄像头互补性，为后续传感器选型与布设提供成本-性能权衡依据；
3. 附带的2D变换参数与置信度字段，使用户可快速重投影、按需过滤低质量轨迹，降低算法开发门槛；
4. 数据已支持IPC框架下的cooperative perception及trajectory-based signal control原型，初步实现100 ms级延迟，为SMART项目后续eco-approach、curbside optimization等应用奠定真值基础。

随着CAVs规模落地，路口将成为“车路协同”最核心战场。IPC-MSOT提供的这把“真值标尺”不仅能让研究者公平比较融合算法，还能让城市管理者提前评估不同感知配置对安全与效率的增益，从而用数据驱动的方式，把路口从“事故黑点”升级为“协同节点”。