可以把无人驾驶理解成三条闭环：算法闭环、数据闭环、验证闭环。算法闭环是：传感器 → 标定/同步 → 感知 → 融合/BEV/Occupancy → 跟踪 → 预测 → 决策规划 → 控制 → 执行数据闭环是：路采/仿真 → 数据清洗 → 标注/自动标注 → 场景挖掘 → 训练 → 评测 → 回归测试 → 再采集验证闭环是：ODD 定义 → 场景库 → 仿真/SIL/HIL/实车 → 安全指标 → Safety Case1. 先建立全局地图：你要学的 12 大模块模块你要掌握什么典型模型/方法数据集代码库/工具核心指标数学与工程基础坐标系、矩阵、优化、概率、深度学习、C++/Python/ROSKalman Filter、EKF、MPC、Transformer、CNN无固定PyTorch、ROS 2、CUDA、TensorRT延迟、吞吐、稳定性传感器与标定Camera/LiDAR/Radar/GNSS/IMU/CAN、时间同步、外参内参PnP、ICP、手眼标定、BEV 投影KITTI、nuScenes、WaymoKalibr、ROS、Apollo、Autoware重投影误差、同步误差感知检测、分割、车道线、红绿灯、占用网络YOLO、DETR、PointPillars、CenterPoint、BEVFormer、BEVFusion、OccFormerKITTI、nuScenes、Waymo、Argoverse 2、SemanticKITTI、BDD100KMMDetection3D、OpenPCDet、BEVFormer、BEVFusionmAP、NDS、IoU、mIoU、AMOTA、FPS多传感器融合Camera-LiDAR-Radar 融合、BEV 表达、时序融合Point-level fusion、Feature fusion、BEV fusion、Transformer fusionnuScenes、Waymo、Argoverse 2BEVFusion、TransFusion、MMDetection3DmAP、NDS、鲁棒性、延迟跟踪多目标跟踪、ID 保持、速度估计SORT、DeepSORT、AB3DMOT、CenterPoint tracking、Kalman + HungariannuScenes、KITTI、WaymonuScenes devkit、AB3DMOTMOTA、MOTP、HOTA、AMOTA、ID Switch高精地图与定位HD Map、车道拓扑、语义地图、SLAM、GNSS/IMU/LiDAR 定位NDT、ICP、Factor Graph、Lane Graph、MapTRArgoverse 2、nuScenes map、Waymo map、KITTI odometryAutoware、Apollo、Cartographer、LIO-SAMATE、RPE、定位误差、地图匹配率轨迹预测预测车、人、骑行者未来运动VectorNet、LaneGCN、TNT、MTR、Wayformer、HiVT、QCNetWaymo Motion、Argoverse 2 Motion、nuScenes Prediction、INTERACTIONMTR、QCNet、UniTraj、trajdataminADE、minFDE、MR、mAP、Brier决策与规划行为决策、路径规划、速度规划、交互博弈FSM、POMDP、A*/Hybrid A*、RRT*、Lattice、Frenet、MPC、IL、RL、Diffusion PlannernuPlan、Waymo、CARLA、Bench2DriveApollo planning、Autoware planning、nuPlan-devkit碰撞率、进度、舒适性、TTC、越界率控制横纵向控制、轨迹跟踪、车辆动力学PID、Pure Pursuit、Stanley、LQR、MPC实车/仿真Apollo control、Autoware control、CARLA横向误差、航向误差、加速度、jerk端到端从传感器直接到轨迹/控制，或统一感知-预测-规划TransFuser、LAV、TCP、UniAD、VAD、ThinkTwice、DriveVLM、VLA/World ModelnuScenes、CARLA、Bench2DriveUniAD、VAD、TransFuser、OpenDriveLab E2EPlanning L2、collision、Driving Score、Route Completion仿真Log replay、闭环仿真、传感器仿真、场景生成CARLA、MetaDrive、SUMO、esmini、OpenSCENARIO、OpenDRIVEScenarioNet、nuPlan、CARLA routesCARLA、MetaDrive、ScenarioNet、SafeBenchDriving Score、Route Completion、infractions、覆盖率测评与安全SOTIF、功能安全、场景覆盖、回归测试、安全论证ISO 26262、ISO 21448、UL 4600、ASAM OpenX场景库、事故库、路采数据SafeBench、CARLA Leaderboard、nuPlan、Bench2Drive风险、暴露率、失败率、ODD 覆盖、残余风险2. 核心公开数据集与平台2.1 感知/检测/跟踪数据集KITTI是经典入门数据集，覆盖 stereo、optical flow、visual odometry/SLAM、3D object detection、tracking 等任务，适合小白入门。KITTI 官方说明其数据来自德国 Karlsruhe 城市、乡村和高速场景，并为各 benchmark 提供评测指标。(CVlibs)nuScenes是多模态自动驾驶数据集，包含 6 个相机、5 个雷达、1 个激光雷达，360° 视野，1,000 个 20 秒场景，并提供 3D 检测、跟踪、预测等任务。它的检测指标包括 mAP、mATE、mASE、mAOE、mAVE、mAAE 和 NDS。(arXiv)Waymo Open Dataset官方将其分成 Perception Dataset、Motion Dataset、End-to-End Driving Dataset 三类；其中 Perception Dataset 有高分辨率传感器数据和标注，Motion Dataset 用于运动预测，官方 challenge 覆盖 2D/3D 检测、跟踪、语义分割、Motion Prediction、Occupancy and Flow 等任务。(Waymo)Argoverse 2包含 Sensor、Lidar、Motion Forecasting 等数据集；官方论文说明 Sensor Dataset 有 1,000 个多模态标注序列，Motion Forecasting Dataset 有 250,000 个场景，并且每个场景配有 HD Map。(arXiv)2.2 规划/闭环评测数据集nuPlan是面向规划的大规模真实驾驶数据集和 benchmark，官方介绍包含 1,200 小时来自 Boston、Pittsburgh、Las Vegas、Singapore 等城市的人类驾驶数据，主要用于 planner 的真实世界评测。(nuplan.org)CARLA Leaderboard是闭环自动驾驶评测平台，目标是评估 agent 在真实交通场景中的驾驶能力；官方 Leaderboard 2.1 的主指标是 Driving Score，由 Route Completion 和 Infraction Penalty 相乘得到。(CARLA Autonomous Driving Leaderboard)Bench2Drive是 NeurIPS 2024 的闭环端到端自动驾驶 benchmark，针对 44 类交互场景、不同天气和城市场景评估端到端方法；其官方 GitHub 发布了完整数据、评测工具、baseline 代码和 benchmark 结果。(arXiv)2.3 场景库/安全评测平台ScenarioNet用统一格式管理真实交通场景，可从 Waymo、nuScenes、Lyft L5、nuPlan 等数据集中读取场景，并在 MetaDrive 中复现为可交互仿真。(GitHub)SafeBench是基于 CARLA 的安全评测平台，目标是用多样化安全关键场景和综合指标系统性评估自动驾驶算法的安全性。(safebench.github.io)ASAM OpenSCENARIO / OpenDRIVE / OpenXOntology是场景测试和仿真的重要标准体系：OpenSCENARIO 用于描述动态交通参与者行为，OpenDRIVE 常用于描述道路静态结构，OpenXOntology 试图统一 OpenX 标准中的核心概念。(Asam)3. 每个模块应该怎么学A. 工程与数学基础你需要先掌握这些：坐标系：camera、LiDAR、ego、world、map 坐标系。刚体变换：旋转矩阵、四元数、齐次变换。概率估计：Kalman Filter、Bayesian Filter、Particle Filter。优化：最小二乘、QP、MPC、非线性优化。深度学习：CNN、Transformer、BEV、时序建模。工程栈：Linux、Docker、ROS 2、C++、Python、PyTorch、CUDA、TensorRT。自动驾驶里最常见的坐标变换是：p w o r l d = T w o r l d e g o T e g o s e n s o r p s e n s o r p_{world}=T_{world}^{ego}T_{ego}^{sensor}p_{sensor}pworld=TworldegoTegosensorpsensor其中：T = [ R t 0 1 ] T= \begin{bmatrix} R t \ 0 1 \end{bmatrix}T=[Rt01]你一开始不用把所有控制理论都吃透，但必须理解“传感器数据如何变成统一坐标系下的物体、地图和轨迹”。B. 传感器、标定与同步你要学什么Camera 负责语义丰富的视觉信息，LiDAR 负责几何距离，Radar 负责速度和恶劣天气鲁棒性，GNSS/IMU 负责全局定位和姿态估计，CAN/底盘信号负责车辆状态。模型/方法任务方法相机内参Zhang 标定法Camera-LiDAR 外参PnP、边缘对齐、互信息、深度投影LiDAR-LiDAR 外参ICP、NDT时间同步硬同步、软同步、插值、时间戳对齐位姿估计GNSS/IMU 融合、EKF、Factor Graph数据集/代码库KITTI、nuScenes、Waymo 都能练习多传感器数据读取；Apollo 和 Autoware 是学习车端工程栈的好入口。Apollo 11.0 官方说明其重点升级了感知、定位、规划和开发工具链；Autoware 官方称其为面向自动驾驶的开源软件框架，基于 ROS 并提供完整软件栈。(GitHub)指标指标含义Reprojection Error相机标定误差Point-to-plane ErrorLiDAR 配准误差Timestamp Drift时间同步漂移Pose Error定位误差Latency从传感器采集到输出的总延迟C. 感知：检测、分割、车道线、占用感知是无人驾驶入门最重要的一块。你可以按下面顺序学：2D 检测 → 2D 分割 → LiDAR 3D 检测 → 多视角 Camera 3D 检测 → BEV 融合 → OccupancyC1. 2D 感知任务模型数据集指标目标检测YOLO、Faster R-CNN、DETR、DINOCOCO、BDD100K、Cityscapes、nuImagesAP、mAP语义分割FCN、DeepLab、SegFormer、Mask2FormerCityscapes、BDD100KmIoU车道线LaneNet、SCNN、UltraFast、OpenLane 系列CULane、TuSimple、OpenLaneF1、IoU、Lane AP红绿灯/标志YOLO、DETR、多任务网络BDD100K、Waymo、内部数据Precision、Recall、AP常用 IoU 是：I o U = ∣ B p r e d ∩ B g t ∣ ∣ B p r e d ∪ B g t ∣ IoU=\frac{|B_{pred}\cap B_{gt}|}{|B_{pred}\cup B_{gt}|}IoU=∣Bpred∪Bgt∣∣Bpred∩Bgt∣C2. LiDAR 3D 检测类型模型Point-basedPointNet++、PointRCNNVoxel-basedVoxelNet、SECOND、Part-A2Pillar-basedPointPillarsCenter-basedCenterPointTwo-stagePV-RCNN、Voxel R-CNNOpenPCDet是很适合入门 LiDAR 3D 检测的 PyTorch 代码库，官方介绍它支持多种 one-stage 和 two-stage 3D 检测框架。(GitHub)C3. Camera-only 3D / BEV 感知方向模型Monocular 3DFCOS3D、PGD、SMOKEMulti-view 3DDETR3D、PETR、BEVDet、BEVDepthBEV TransformerBEVFormerOccupancyOccFormer、SurroundOcc、OpenOccupancy 系列BEVFormer是经典 camera-only BEV 方法，官方代码说明其用于多相机自动驾驶感知，支持 3D 检测和语义地图分割；论文提出用时空 Transformer 学习 BEV 表达。(GitHub)C4. 多传感器融合融合层级代表方法Raw-level原始点云/图像级融合Point-level将图像特征投到 LiDAR 点Feature-level不同模态 backbone 后融合BEV-level相机和 LiDAR 都转成 BEV 后融合Decision-level各自检测后做后融合BEVFusion的核心思想是把多传感器特征统一到 BEV 空间中，论文说明其可支持 3D 检测和 BEV map segmentation 等多任务，并显著优化 BEV pooling 效率。(arXiv)C5. 感知常用代码库代码库用途MMDetection2D 检测/分割MMSegmentation语义分割MMDetection3D3D 检测、多模态检测、LiDAR 分割OpenPCDetLiDAR 3D 检测BEVFormerCamera-only BEV 感知BEVFusionCamera-LiDAR BEV 融合MMDetection3D 官方文档列出支持 KITTI、nuScenes、Waymo、SemanticKITTI 等数据集，并支持 LiDAR 3D 检测、视觉 3D 检测、LiDAR 语义分割等任务。(mmdetection3d.readthedocs.io)C6. 感知指标nuScenes 的 NDS 很重要：N D S = 1 10 [ 5 m A P + ∑ m T P ∈ T P ( 1 − min ( 1 , m T P ) ) ] NDS=\frac{1}{10}\left[5mAP+\sum_{mTP\in TP}(1-\min(1,mTP))\right]NDS=101
自动驾驶入门到进阶完整指南：感知、预测、规划、端到端、仿真测评与场景挖掘全解析
发布时间：2026/6/12 13:12:10
可以把无人驾驶理解成三条闭环：算法闭环、数据闭环、验证闭环。算法闭环是：传感器 → 标定/同步 → 感知 → 融合/BEV/Occupancy → 跟踪 → 预测 → 决策规划 → 控制 → 执行数据闭环是：路采/仿真 → 数据清洗 → 标注/自动标注 → 场景挖掘 → 训练 → 评测 → 回归测试 → 再采集验证闭环是：ODD 定义 → 场景库 → 仿真/SIL/HIL/实车 → 安全指标 → Safety Case1. 先建立全局地图：你要学的 12 大模块模块你要掌握什么典型模型/方法数据集代码库/工具核心指标数学与工程基础坐标系、矩阵、优化、概率、深度学习、C++/Python/ROSKalman Filter、EKF、MPC、Transformer、CNN无固定PyTorch、ROS 2、CUDA、TensorRT延迟、吞吐、稳定性传感器与标定Camera/LiDAR/Radar/GNSS/IMU/CAN、时间同步、外参内参PnP、ICP、手眼标定、BEV 投影KITTI、nuScenes、WaymoKalibr、ROS、Apollo、Autoware重投影误差、同步误差感知检测、分割、车道线、红绿灯、占用网络YOLO、DETR、PointPillars、CenterPoint、BEVFormer、BEVFusion、OccFormerKITTI、nuScenes、Waymo、Argoverse 2、SemanticKITTI、BDD100KMMDetection3D、OpenPCDet、BEVFormer、BEVFusionmAP、NDS、IoU、mIoU、AMOTA、FPS多传感器融合Camera-LiDAR-Radar 融合、BEV 表达、时序融合Point-level fusion、Feature fusion、BEV fusion、Transformer fusionnuScenes、Waymo、Argoverse 2BEVFusion、TransFusion、MMDetection3DmAP、NDS、鲁棒性、延迟跟踪多目标跟踪、ID 保持、速度估计SORT、DeepSORT、AB3DMOT、CenterPoint tracking、Kalman + HungariannuScenes、KITTI、WaymonuScenes devkit、AB3DMOTMOTA、MOTP、HOTA、AMOTA、ID Switch高精地图与定位HD Map、车道拓扑、语义地图、SLAM、GNSS/IMU/LiDAR 定位NDT、ICP、Factor Graph、Lane Graph、MapTRArgoverse 2、nuScenes map、Waymo map、KITTI odometryAutoware、Apollo、Cartographer、LIO-SAMATE、RPE、定位误差、地图匹配率轨迹预测预测车、人、骑行者未来运动VectorNet、LaneGCN、TNT、MTR、Wayformer、HiVT、QCNetWaymo Motion、Argoverse 2 Motion、nuScenes Prediction、INTERACTIONMTR、QCNet、UniTraj、trajdataminADE、minFDE、MR、mAP、Brier决策与规划行为决策、路径规划、速度规划、交互博弈FSM、POMDP、A*/Hybrid A*、RRT*、Lattice、Frenet、MPC、IL、RL、Diffusion PlannernuPlan、Waymo、CARLA、Bench2DriveApollo planning、Autoware planning、nuPlan-devkit碰撞率、进度、舒适性、TTC、越界率控制横纵向控制、轨迹跟踪、车辆动力学PID、Pure Pursuit、Stanley、LQR、MPC实车/仿真Apollo control、Autoware control、CARLA横向误差、航向误差、加速度、jerk端到端从传感器直接到轨迹/控制，或统一感知-预测-规划TransFuser、LAV、TCP、UniAD、VAD、ThinkTwice、DriveVLM、VLA/World ModelnuScenes、CARLA、Bench2DriveUniAD、VAD、TransFuser、OpenDriveLab E2EPlanning L2、collision、Driving Score、Route Completion仿真Log replay、闭环仿真、传感器仿真、场景生成CARLA、MetaDrive、SUMO、esmini、OpenSCENARIO、OpenDRIVEScenarioNet、nuPlan、CARLA routesCARLA、MetaDrive、ScenarioNet、SafeBenchDriving Score、Route Completion、infractions、覆盖率测评与安全SOTIF、功能安全、场景覆盖、回归测试、安全论证ISO 26262、ISO 21448、UL 4600、ASAM OpenX场景库、事故库、路采数据SafeBench、CARLA Leaderboard、nuPlan、Bench2Drive风险、暴露率、失败率、ODD 覆盖、残余风险2. 核心公开数据集与平台2.1 感知/检测/跟踪数据集KITTI是经典入门数据集，覆盖 stereo、optical flow、visual odometry/SLAM、3D object detection、tracking 等任务，适合小白入门。KITTI 官方说明其数据来自德国 Karlsruhe 城市、乡村和高速场景，并为各 benchmark 提供评测指标。(CVlibs)nuScenes是多模态自动驾驶数据集，包含 6 个相机、5 个雷达、1 个激光雷达，360° 视野，1,000 个 20 秒场景，并提供 3D 检测、跟踪、预测等任务。它的检测指标包括 mAP、mATE、mASE、mAOE、mAVE、mAAE 和 NDS。(arXiv)Waymo Open Dataset官方将其分成 Perception Dataset、Motion Dataset、End-to-End Driving Dataset 三类；其中 Perception Dataset 有高分辨率传感器数据和标注，Motion Dataset 用于运动预测，官方 challenge 覆盖 2D/3D 检测、跟踪、语义分割、Motion Prediction、Occupancy and Flow 等任务。(Waymo)Argoverse 2包含 Sensor、Lidar、Motion Forecasting 等数据集；官方论文说明 Sensor Dataset 有 1,000 个多模态标注序列，Motion Forecasting Dataset 有 250,000 个场景，并且每个场景配有 HD Map。(arXiv)2.2 规划/闭环评测数据集nuPlan是面向规划的大规模真实驾驶数据集和 benchmark，官方介绍包含 1,200 小时来自 Boston、Pittsburgh、Las Vegas、Singapore 等城市的人类驾驶数据，主要用于 planner 的真实世界评测。(nuplan.org)CARLA Leaderboard是闭环自动驾驶评测平台，目标是评估 agent 在真实交通场景中的驾驶能力；官方 Leaderboard 2.1 的主指标是 Driving Score，由 Route Completion 和 Infraction Penalty 相乘得到。(CARLA Autonomous Driving Leaderboard)Bench2Drive是 NeurIPS 2024 的闭环端到端自动驾驶 benchmark，针对 44 类交互场景、不同天气和城市场景评估端到端方法；其官方 GitHub 发布了完整数据、评测工具、baseline 代码和 benchmark 结果。(arXiv)2.3 场景库/安全评测平台ScenarioNet用统一格式管理真实交通场景，可从 Waymo、nuScenes、Lyft L5、nuPlan 等数据集中读取场景，并在 MetaDrive 中复现为可交互仿真。(GitHub)SafeBench是基于 CARLA 的安全评测平台，目标是用多样化安全关键场景和综合指标系统性评估自动驾驶算法的安全性。(safebench.github.io)ASAM OpenSCENARIO / OpenDRIVE / OpenXOntology是场景测试和仿真的重要标准体系：OpenSCENARIO 用于描述动态交通参与者行为，OpenDRIVE 常用于描述道路静态结构，OpenXOntology 试图统一 OpenX 标准中的核心概念。(Asam)3. 每个模块应该怎么学A. 工程与数学基础你需要先掌握这些：坐标系：camera、LiDAR、ego、world、map 坐标系。刚体变换：旋转矩阵、四元数、齐次变换。概率估计：Kalman Filter、Bayesian Filter、Particle Filter。优化：最小二乘、QP、MPC、非线性优化。深度学习：CNN、Transformer、BEV、时序建模。工程栈：Linux、Docker、ROS 2、C++、Python、PyTorch、CUDA、TensorRT。自动驾驶里最常见的坐标变换是：p w o r l d = T w o r l d e g o T e g o s e n s o r p s e n s o r p_{world}=T_{world}^{ego}T_{ego}^{sensor}p_{sensor}pworld=TworldegoTegosensorpsensor其中：T = [ R t 0 1 ] T= \begin{bmatrix} R t \ 0 1 \end{bmatrix}T=[Rt01]你一开始不用把所有控制理论都吃透，但必须理解“传感器数据如何变成统一坐标系下的物体、地图和轨迹”。B. 传感器、标定与同步你要学什么Camera 负责语义丰富的视觉信息，LiDAR 负责几何距离，Radar 负责速度和恶劣天气鲁棒性，GNSS/IMU 负责全局定位和姿态估计，CAN/底盘信号负责车辆状态。模型/方法任务方法相机内参Zhang 标定法Camera-LiDAR 外参PnP、边缘对齐、互信息、深度投影LiDAR-LiDAR 外参ICP、NDT时间同步硬同步、软同步、插值、时间戳对齐位姿估计GNSS/IMU 融合、EKF、Factor Graph数据集/代码库KITTI、nuScenes、Waymo 都能练习多传感器数据读取；Apollo 和 Autoware 是学习车端工程栈的好入口。Apollo 11.0 官方说明其重点升级了感知、定位、规划和开发工具链；Autoware 官方称其为面向自动驾驶的开源软件框架，基于 ROS 并提供完整软件栈。(GitHub)指标指标含义Reprojection Error相机标定误差Point-to-plane ErrorLiDAR 配准误差Timestamp Drift时间同步漂移Pose Error定位误差Latency从传感器采集到输出的总延迟C. 感知：检测、分割、车道线、占用感知是无人驾驶入门最重要的一块。你可以按下面顺序学：2D 检测 → 2D 分割 → LiDAR 3D 检测 → 多视角 Camera 3D 检测 → BEV 融合 → OccupancyC1. 2D 感知任务模型数据集指标目标检测YOLO、Faster R-CNN、DETR、DINOCOCO、BDD100K、Cityscapes、nuImagesAP、mAP语义分割FCN、DeepLab、SegFormer、Mask2FormerCityscapes、BDD100KmIoU车道线LaneNet、SCNN、UltraFast、OpenLane 系列CULane、TuSimple、OpenLaneF1、IoU、Lane AP红绿灯/标志YOLO、DETR、多任务网络BDD100K、Waymo、内部数据Precision、Recall、AP常用 IoU 是：I o U = ∣ B p r e d ∩ B g t ∣ ∣ B p r e d ∪ B g t ∣ IoU=\frac{|B_{pred}\cap B_{gt}|}{|B_{pred}\cup B_{gt}|}IoU=∣Bpred∪Bgt∣∣Bpred∩Bgt∣C2. LiDAR 3D 检测类型模型Point-basedPointNet++、PointRCNNVoxel-basedVoxelNet、SECOND、Part-A2Pillar-basedPointPillarsCenter-basedCenterPointTwo-stagePV-RCNN、Voxel R-CNNOpenPCDet是很适合入门 LiDAR 3D 检测的 PyTorch 代码库，官方介绍它支持多种 one-stage 和 two-stage 3D 检测框架。(GitHub)C3. Camera-only 3D / BEV 感知方向模型Monocular 3DFCOS3D、PGD、SMOKEMulti-view 3DDETR3D、PETR、BEVDet、BEVDepthBEV TransformerBEVFormerOccupancyOccFormer、SurroundOcc、OpenOccupancy 系列BEVFormer是经典 camera-only BEV 方法，官方代码说明其用于多相机自动驾驶感知，支持 3D 检测和语义地图分割；论文提出用时空 Transformer 学习 BEV 表达。(GitHub)C4. 多传感器融合融合层级代表方法Raw-level原始点云/图像级融合Point-level将图像特征投到 LiDAR 点Feature-level不同模态 backbone 后融合BEV-level相机和 LiDAR 都转成 BEV 后融合Decision-level各自检测后做后融合BEVFusion的核心思想是把多传感器特征统一到 BEV 空间中，论文说明其可支持 3D 检测和 BEV map segmentation 等多任务，并显著优化 BEV pooling 效率。(arXiv)C5. 感知常用代码库代码库用途MMDetection2D 检测/分割MMSegmentation语义分割MMDetection3D3D 检测、多模态检测、LiDAR 分割OpenPCDetLiDAR 3D 检测BEVFormerCamera-only BEV 感知BEVFusionCamera-LiDAR BEV 融合MMDetection3D 官方文档列出支持 KITTI、nuScenes、Waymo、SemanticKITTI 等数据集，并支持 LiDAR 3D 检测、视觉 3D 检测、LiDAR 语义分割等任务。(mmdetection3d.readthedocs.io)C6. 感知指标nuScenes 的 NDS 很重要：N D S = 1 10 [ 5 m A P + ∑ m T P ∈ T P ( 1 − min ( 1 , m T P ) ) ] NDS=\frac{1}{10}\left[5mAP+\sum_{mTP\in TP}(1-\min(1,mTP))\right]NDS=101
