본 데이터셋은 자율주행 차량을 활용하여 실제 도로에서 주행하며 수집한 센서 데이터를 기반으로 구축된 것이다. 차량에 LiDAR 센서를 장착한 후 다양한 환경에서 주행을 진행하였으며, 이 과정에서 총 7,358 프레임의 데이터를 로깅하였다. 수집된 데이터는 LiDAR 포인트 클라우드 형식으로 저장되었으며, 각 프레임에 등장하는 동적 객체들에 대해 3차원 라벨링 작업을 수행하였다.

데이터는 두 가지 형식으로 구성되어 있다. 첫째, .npy 형식의 LiDAR 포인트 클라우드 데이터이며, 이는 NumPy 배열 형태로 각 프레임의 포인트 데이터를 저장한 것이다. 둘째, .txt 형식의 3D 레이블 파일로, 각 객체의 위치와 크기, 방향 및 클래스 정보를 포함한다. 라벨은 객체의 중심 좌표 (x, y, z)와 함께, length, width, height, orientation, 그리고 label의 순서로 구성되어 있다. orientation은 객체의 회전 각도(yaw)를 나타내며, label은 객체의 클래스명을 의미한다.

클래스는 총 4종으로 구성되며, 'Car'(일반 승용차), 'OtherCar'(버스, 트럭 등 기타 차량), 'Pedestrian'(보행자), 'Bike'(자전거 및 이륜차)로 구분된다. 본 데이터셋은 자율주행 관련 연구, 특히 3D 객체 인식 및 추적, 센서 기반 환경 인지, 경로 계획 알고리즘 학습 등에 활용될 수 있도록 구성되었다. This dataset is based on sensor data collected while driving on actual roads using an autonomous vehicle. After installing a LiDAR sensor on the vehicle, the vehicle was driven in various environments, and a total of 7,358 frames of data were logged during this process. The collected data was saved in the form of a LiDAR point cloud, and 3D labeling was performed on the dynamic objects appearing in each frame. The data consists of two formats. First, the LiDAR point cloud data in the .npy format, which stores the point data of each frame in the form of a NumPy array. Second, the 3D label file in the .txt format contains the location, size, orientation, and class information of each object. The label consists of the center coordinates (x, y, z) of the object, along with length, width, height, orientation, and label in that order. The orientation indicates the rotation angle (yaw) of the object, and the label indicates the class name of the object. The class consists of a total of 4 types, and is divided into 'Car' (general passenger cars), 'OtherCar' (other vehicles such as buses, trucks, etc.), 'Pedestrian' (pedestrians), and 'Bike' (bicycles and two-wheeled vehicles). This dataset is structured to be utilized in autonomous driving-related research, especially 3D object recognition and tracking, sensor-based environmental perception, and learning path planning algorithms. 한국전자기술연구원_자율주행학습데이터 Korea Electronics Technology Institute_Autonomous Driving Learning Data 2025-07-02 2025-07-02 한국전자기술연구원 모빌리티플랫폼 취득 차량 구축후 센서를 장착하고 실제 도로를 주행하면서 데이터를 로깅하였으며, 학습에 적용하기 위해 동적객체의 라벨링을 수해하였음.

-데이터 양
.7358 Frame

- 데이터 파일
. LiDAR Point Cloud 데이터 (.npy)
. 3D 레이블 파일 (.txt)
- 클래스 구분
. 4종: Car, OtherCar, Pedestrian, Bike
- 라벨 형식
. x y z length width height orientation label 과학기술 - 과학기술연구 자율주행,라이다,동적객체,3차원,학습데이터 Autonomous driving,Lidar,Dynamic Object,3D,Learning data 공공저작물 : 출처표시 (제 1유형) 수시 zip 2025-07-02 한국전자기술연구원_자율주행학습데이터_20231231 대구 2023년 1월-2023년 12월 모빌리티플랫폼 본 데이터셋은 자율주행 차량을 활용하여 실제 도로에서 주행하며 수집한 센서 데이터를 기반으로 구축된 것이다. 차량에 LiDAR 센서를 장착한 후 다양한 환경에서 주행을 진행하였으며, 이 과정에서 총 7,358 프레임의 데이터를 로깅하였다. 수집된 데이터는 LiDAR 포인트 클라우드 형식으로 저장되었으며, 각 프레임에 등장하는 동적 객체들에 대해 3차원 라벨링 작업을 수행하였다.

데이터는 두 가지 형식으로 구성되어 있다. 첫째, .npy 형식의 LiDAR 포인트 클라우드 데이터이며, 이는 NumPy 배열 형태로 각 프레임의 포인트 데이터를 저장한 것이다. 둘째, .txt 형식의 3D 레이블 파일로, 각 객체의 위치와 크기, 방향 및 클래스 정보를 포함한다. 라벨은 객체의 중심 좌표 (x, y, z)와 함께, length, width, height, orientation, 그리고 label의 순서로 구성되어 있다. orientation은 객체의 회전 각도(yaw)를 나타내며, label은 객체의 클래스명을 의미한다.

클래스는 총 4종으로 구성되며, 'Car'(일반 승용차), 'OtherCar'(버스, 트럭 등 기타 차량), 'Pedestrian'(보행자), 'Bike'(자전거 및 이륜차)로 구분된다. 본 데이터셋은 자율주행 관련 연구, 특히 3D 객체 인식 및 추적, 센서 기반 환경 인지, 경로 계획 알고리즘 학습 등에 활용될 수 있도록 구성되었다. 한국전자기술연구원_자율주행학습데이터 2025-07-02 2025-07-02 한국전자기술연구원 과학기술 - 과학기술연구 자율주행,라이다,동적객체,3차원,학습데이터 Autonomous driving,Lidar,Dynamic Object,3D,Learning data 공공저작물 : 출처표시 (제 1유형) 대구 2023년 1월-2023년 12월