콘텐츠로 건너뛰기 메뉴로 건너뛰기 푸터로 건너뛰기
데이터를 불러오고 있습니다
데이터를 저장하고 있습니다
#배송로봇 # 비도로운행 # 자율주행

BETA 배송로봇 비도로 운행 데이터

배송로봇-비도로-운행-데이터 아이콘 이미지
  • 분야로보틱스
  • 유형 3D , 이미지
구축년도 : 2022 갱신년월 : 2023-07 조회수 : 14,790 다운로드 : 0

※ 23년 신규 개방되는 데이터로, 데이터 활용성 검토, 이용자 관점의 개선의견 수렴 등을 통해 수정/보완될 수 있으며 최종데이터, 샘플데이터, 산출물 등은 변경될 수 있습니다.

※ 내국인만 데이터 신청이 가능합니다.

  • 데이터 변경이력

    데이터 변경이력
    버전 일자 변경내용 비고
    1.0 2023-07-31 데이터 개방(Beta Version)

    소개

    2D 이미지 데이터 기반으로 개발한 주행가능영역 인식 모델과 3D LiDAR 데이터를 기반으로 개발한 동적 장애물 인식 모델을 활용한 배송로봇의 비도로 환경 자율주행을 위한 원천, 가공 및 학습 모델링 데이터

    구축목적

    비도로 주행시 로봇자율주행에 필요한 환경인식 및 주행제어 기술 발전을 위한 양질의 학습용 데이터가 부족한 현실로, 
    2D 이미지 데이터 기반으로 개발한 주행가능영역 인식 모델과 3D LiDAR 데이터 기반으로 개발한 동적 장애물 인식 모델을 활용하여 배송로봇이 비도로 환경에서 자율주행이 가능하도록 기여하는 것에 그 목적을 둠
  • 1. 데이터 구축 규모

    데이터 2D 이미지 3D LiDAR
    실환경 데이터  160,000장 45,151장
    가상 데이터 240,000장 60,000장
    합계 400,000장 105,151장

     

    2. 데이터 분포

    번호 구분 소분류 실제 데이터 가공 가상 데이터 가공 가공 데이터 
    수량 합계
    2D 이미지 3D LiDAR 2D 이미지 3D LiDAR 2D 이미지 3D LiDAR
    1 주행환경
    (실외)
    인도 60,940 15,235 10,000 2,500 70,940 17,735
    2 골목 50,200 12,550     50,200 12,550
    3 공원 41,508 14,726     41,508 14,726
    4 주행환경
    (실내)
    사무실     70,000 17,500 70,000 17,500
    5 식당 1,000 250 80,000 20,000 81,000 20,250
    6 전시공간     40,000 10,000 40,000 10,000
    7 홀/복도 6,352 2,390 40,000 10,000 46,352 12,390
    합계 160,000 45,151 240,000 60,000 400,000 105,151

     

     

  • 1. 3D AI 학습 모델

    학습 모델  3D 동적 물체 탐지 모델
    모델 PointPillars
    성능 지표 동적물체 탐지 AP 50이상
    개발 내용 구축된 학습데이터를 활용 PointPillar 모델을 학습하여 비도로 배송 로봇 운행 환경에서 동적 물체 탐지를 실행 
    응용서비스 비도로 환경에서 로봇 운행 시 동적 물체 탐지를 통한 안전한 자율주행에 적용될 수 있음
     
    (예시 및 유의사항)

     

    2.. 2D AI 학습 모델

    학습 모델  (2D 모델) 주행로환경 인식 모델 개발
    모델 ERF-PSPNet
    성능 지표 (2D 모델) 주행로환경 인식
    mIoU(Mean-5)에 53% 이상 만족
    개발 내용 2차원 RGB 이미지를 입력으로 하고 로봇자율주행과 관련된 도로(Road), 인도(Sidewalk), 연석(curb), 횡단보도(Crosswalk), 실내 바닥면(floor)에 대한 픽셀단위(pixelwised) 인식결과를 출력함.
    응용서비스 - 비도로 환경에서 로봇 운행 시 주행로환경 인식을 통한 안전한 자율주행에 적용될 수 있음
    (예시 및 유의사항) - 자율주행에서 필수적인 주행가능영역(Drivable Area)를 인식
      - 실외 자율주행의 경우, 도로, 인도, 횡단보도 등 바닥면에 대한 인지결과에 따라 판단과 행동을 달리하는 지능기반 자율주행이 가능함

     

  • 구분 데이터 형태 포맷
    원시 데이터 이미지 JPG
    LiDAR PCD
    원천 데이터 이미지 JPG
    LiDAR PCD
    학습 데이터 이미지 환경 데이터 JSON
    LiDAR 환경 데이터 JSON
    2D 객체 검출정보 데이터 JSON
    3D 객체 검출정보 데이터 JSON

     

    1. 어노테이션 포맷

    2-1. 2D 원천 데이터

    구분 속성명 타입 필수여부 설명 범위 비고
    1 info Object Y      
      1-1 filename string Y 파일명    
    1-2 resolution array Y 파일 가로, 세로 사이즈    
    1-3 section string Y 수집기관 NL, UN, MS, XI NL=네이버랩스
    UN=언맨스솔루션
    MS=미디어그룹사람과숲
    XI=씨이랩
    1-4 location string Y 수집지역   *별표a1 참조
    1-5 case string Y 수집장소 sidewalk, ally, park, office, restaurant, exhibition, hall *별표a2 참조
    1-6 driving_type string Y 주행환경 outdoor, indoor *별표a2 참조
    1-7 scene_number integer Y 촬영차시    
    1-8 date integer Y 수집일자    
    1-9 time string Y 시간대 day, night  
    1-10 season string Y 계절 summer, autumn  
    1-11 weather string Y 날씨 sunny, cloudy, rainy, n/a  
    1-12 device_type string Y 수집기기 종류 wheel-based, backpack, virtual   
    1-13 sensor_id string Y 센서 id    
    1-14 speed double Y 평균속력   *별표a3 참조
    1-15 sidewalk_flatness string Y 주행로 평탄도 high, middle, low *별표a3 참조
    1-16 GPS double array Y GPS 위치정보   *별표a3 참조
    1-17 sensor_pose double array Y 센서의 전역 자세/위치정보   *별표a3 참조
    1-18 robot_pose double array Y 로봇의 전역 자세/위치정보   *별표a3 참조
    1-19 extrinsic_parameter double array Y 센서의 로봇 원점 대비 상대 자세/위치정보   *별표a3 참조
    1-20 intrinsic_parameter double array Y 카메라 내부 파라미터   *별표a3 참조

     

    3-2. 3D 원천 데이터
     

    구분 속성명 타입 필수여부 설명 범위 비고
    1 info Object Y      
      1-1 filename string Y 파일명    
    1-2 points integer Y 포인트 수   단위 : point
    1-3 section string Y 수집기관 NL, UN, MS, XI NL=네이버랩스
    UN=언맨스솔루션
    MS=미디어그룹사람과숲
    XI=씨이랩
    1-4 location string Y 수집지역   *별표a1 참조
    1-5 case string Y 수집환경 sidewalk, ally, park, office, restaurant, exhibition, hall *별표a2 참조
    1-6 driving_type string Y 주행환경 outdoor, indoor *별표a2 참조
    1-7 scene_number integer Y 촬영차시    
    1-8 date integer Y 수집일자    
    1-9 time string Y 시간대 day, night  
    1-10 season string Y 계절 summer, autumn  
    1-11 weather string Y 날씨 sunny, cloudy, rainy, n/a * rainy는 가상데이터에서만 생성
    * 실내 데이터는 n/a
    1-12 device_type string Y 수집기기 종류 wheel-based, backpack, virtual   
    1-13 sensor_id string Y 센서 id    
    1-14 speed double Y 평균속력   *별표a3 참조
    1-15 sidewalk_flatness string Y 주행로 평탄도 high, middle, low *별표a3 참조
    1-16 GPS double array Y GPS 위치정보   *별표a3 참조
    1-17 sensor_pose double array Y 센서의 전역 자세/위치정보   *별표a3 참조
    1-18 robot_pose double array Y 로봇의 전역 자세/위치정보   *별표a3 참조
    1-19 extrinsic_parameter double array Y 센서의 로봇 원점 대비 상대 자세/위치정보   *별표a3 참조

    *별표a1. 수집지역 (location)

    식별자 설명 구축 환경 구분자
    bukchon 북촌한옥마을 실환경
    insadong 인사동
    bucheon 부천테크노파크일대
    botanic 서울식물원
    sejong 세종중앙공원
    naver 네이버랩스신사옥
    jeongjadong 정자동일대
    technopark 부천테크노파크로비
    hyundaidep 현대백화점
    virtual 가상데이터 가상환경
         

     

    *별표a2. 수집장소 (case), 주행환경 (driving_type)

    식별자 설명 주행환경 구분자 주행환경 구분
    sidewalk 인도 outdoor 실외
    ally 골목
    park 공원
    office 사무실 indoor 실내
    restaurant 식당
    exhibition 전시공간
    hall 홀/복도

     

    *별표a3. 평균속력 (speed), 주행로 평탄도 (sidewalk_flatness), GPS 위치정보 (GPS), 센서의 전역 자세/위치정보 (sensor_pose), 로봇의 전역 자세/위치정보 (robot_pose), 센서의 로봇 원점 대비 상대 자세/위치정보 (extrinsic_parameter), 카메라 내부 파라미터 (intrinsic_parameter

    속성명 설명 세부설명(비고)
    speed 평균속력 데이터셋 구간 내 평균 속력
    단위 : m/s
    sidewalk_flatness 주행로 평탄도 데이터셋 구간 전체의 평균 경사를 상,중,하로 평가
    GPS GPS 위치정보 데이터를 획득했을 당시의 로봇의 표준 좌표 상의 위치. 
    GPS의 측량값 내지는 이에 준하는 방식에 기반하여 제공
    array 순서: lat(위도), lon(경도), alt (고도)
    sensor_pose 센서의 전역 자세/위치정보 데이터를 획득한 센서의 획득 당시의 위치 및 자세
    array 순서: qw, qx, qy, qz, lat, lon, alt
    robot_pose 로봇의 전역 자세/위치정보 해당 데이터를 획득했을 당시의 로봇의 위치 및 자세
    array 순서: qw, qx, qy, qz, lat, lon, alt
    extrinsic_parameter 센서의 로봇 원점 대비 상대 자세/위치정보 센서의 로봇 원점 대비 상대 자세 및 위치
    array 순서: qw, qx, qy, qz, tx, ty, tz
     
    x-axis: 로봇 정면 방향
    y-axis: 로봇 왼쪽 방향
    z-axis: 하늘 방향
    intrinsic_parameter 카메라 내부 파라미터 이미지 사이즈 및 카메라 내부 파라미터
    array 순서: fx, fy, cx, cy, k1, k2, p1, p2, k3

    3-3. 2D 라벨링 데이터

    구분 속성명 타입 필수여부 설명 범위 비고
    1 annotation_add Object Y      
      1-1 imgHeigh integer Y 이미지 높이크기    
    1-2 imgWidth integer Y 이미지 가로크기    
    1-3 class_count integer Y 총 객체 수    
    1-4 pedestrian_info string Y 보행자 유무 Y, N  
    1-5 pedestrian_num integer Y 보행자 빈도수    
    1-6 road_info string Y 도로 유무 Y, N  
    1-7 vehicle_num integer Y 차량 빈도수    
    1-8 trafficLight_info string Y 신호등 유무 Y, N  
    2 annotation Object Y      
      2-1 annotation_id integer Y 어노테이션 ID    
    2-2 class_id integer Y 클래스 ID 1~22 *별표b1 참조
    2-3 class_type string Y 클래스 유형   *별표b1 참조
    2-4 mask array Y 가공 정보    
    2-5 box Object Y      
      2-5-1 top integer Y 시작점 X 좌표    
    2-5-2 left integer Y 시작점 Y 좌표    
    2-5-3 width integer Y 넓이    
    2-5-4 height integer Y 높이    
    2-6 Is_crowded array N 가려짐 여부    

    *별표b1. 클래스 ID (class_id), 클래스 유형 (class_type)

    식별자 클래스 유형 설명 장애물 유형 구분
    1 vehicle 승용차 동적 장애물
    2 motorcycle 오토바이
    3 bycle 자전거
    4 twowheeler 킥보드
    5 pedestrian 보행자
    6 bus 버스
    7 truck 트럭
    8 other_dynamic 동적물체
    9 other_static 정적물체 정적 장애물
    10 trafficsign 표지판
    11 trafficlight 신호등
    12 road 도로 -
    13 sidewalk 인도 -
    14 crosswalk 횡단보도 -
    15 wall 벽면 정적 장애물
    16 floor 실내바닥면 -
    17 stone 연석(돌) 정적 장애물
    18 obstacle 장애물
    19 building 건물
    20 vegetation 초목
    21 glasswall 유리벽
    22 void 무효 -

    3-4. 3D 라벨링 데이터

    구분 속성명 타입 필수여부 설명 범위 비고
    1 annotation_add Object Y      
      1-1 class_count integer Y 추적 객체 수    
    1-2 pedestrian_num integer Y 보행자 빈도수    
    1-3 bike_num integer Y 이륜차 빈도수   motorcycle, bicycle, twowheeler 수의 합
    1-4 vehicle_num integer Y 차량 빈도수    
      1-5 struct_num integer Y 장애물 빈도수   otherstatic 수
    2 annotation Object Y      
      2-1 class_id integer Y 클래스 ID    
    2-2 class string Y 클래스명   *별표c1 참조
    2-3 location array Y 위치정보 (중심좌표)    
    2-4 dimension array Y 크기정보 (길이좌표)    
      2-5 heading array Y 방향정보 (회전각도)    

    *별표c1, 클래스명 (class)

    식별자 설명
    vehicle 승용차
    motocycle 오토바이
    bycle 자전거
    twoWheeler 킥보드
    pedestrian 보행자
    bus 버스
    truck 트럭
    otherDynamic 동적물체
    otherStatic 정적물체

     

  • 데이터셋 구축 담당자

    수행기관(주관) : ㈜씨이랩
    수행기관(주관)
    책임자명 전화번호 대표이메일 담당업무
    채정환 02-6914-9073 j.chae@xiilab.com 총괄책임자
    수행기관(참여)
    수행기관(참여)
    기관명 담당업무
    ㈜네이버랩스 수집/모델링
    ㈜언맨드솔루션 수집
    ㈜미디어그룹사람과숲 수집/3D가공/모델링
    ㈜바운드포 2D 가공
    한국로봇산업진흥원 품질
    데이터 관련 문의처
    데이터 관련 문의처
    담당자명 전화번호 이메일
    채정환 02-6914-9073 j.chae@xiilab.com
보건의료 데이터 개방 안내

보건의료 데이터는 온라인 및 오프라인 안심존을 통해 개방됩니다.

안심존이란 안심존 이용메뉴얼 안심존 이용신청
  • 인터넷과 물리적으로 분리된 온라인·오프라인 공간으로 의료 데이터를 포함하여 보안 조치가 요구되는 데이터를 다운로드 없이 접근하고 분석 가능
    * 온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
    * 오프라인 안심존 : 추가적인 보안이 필요한 데이터를 대상으로 지정된 물리적 공간에서만 접속하여 데이터에 접근하고 분석

    1. AI 허브 접속
      신청자
    2. 안심존
      사용신청
      신청자신청서류 제출*
    3. 심사구축기관
    4. 승인구축기관
    5. 데이터 분석 활용신청자
    6. 분석모델반출신청자
  • 1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기]
    2. 기관생명윤리위원회(IRB) 승인된 연구계획서
    3. 신청자 소속 증빙 서류 (재직증명서, 재학증명서, 근로계약서 등 택1)
    4. 안심존 이용 신청서 [다운로드]
    5. 보안서약서 [다운로드]
    ※ 상기 신청서 및 첨부 서류를 완비한 후 신청을 진행하셔야 정상적으로 절차가 이루어집니다.

  • 신청 및 이용관련 문의는 safezone1@aihub.kr 또는 02-525-7708, 7709로 문의

데이터셋 다운로드 승인이 완료 된 후 API 다운로드 서비스를 이용하실 수 있습니다.

API 다운로드 파일은 분할 압축되어 다운로드 됩니다. 분할 압축 해제를 위해서는 분할 압축 파일들의 병합이 필요하며 리눅스 명령어 사용이 필요합니다.

리눅스 OS 계열에서 다운로드 받으시길 권장하며 윈도우에서 파일 다운로드 시 wsl(리눅스용 윈도우 하위 시스템) 설치가 필요합니다.

※ 파일 병합 리눅스 명령어

find "폴더경로" -name "파일명.zip.part*" -print0 | sort -zt'.' -k2V | xargs -0 cat > "파일명.zip"

- 해당 명령어 실행 시, 실행 경로 위치에 병합 압축 파일이 생성됩니다.

- 병합된 파일 용량이 0일 경우, 제대로 병합이 되지 않은 상태이니 "폴더경로"가 제대로 입력되었는지 확인 부탁드립니다.

※ 데이터셋 소개 페이지에서 다운로드 버튼 클릭하여 승인이 필요합니다.