-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.1 2023-12-06 데이터 최종 개방 1.0 2023-07-27 데이터 개방(Beta Version) 데이터 히스토리
데이터 히스토리 일자 변경내용 비고 2024-01-12 산출물 전체 공개 소개
자율주행차의 주변 환경을 파악하고, 지도정보 갱신을 자동화하기 위한 데이터셋으로 차선, 표지판, 노면표시, 횡단보도, 과속방지턱 등 지도정보와 더불어 도로공사, 노면손상 등 도로 상황/상태정보도 함께 구축 - 자율주행차와 동일 또는 유사한 형태로 라이다-카메라 동기화 센서를 구성하여 기구축된 정밀도로지도가 있는 자율주행 실증 지구와 고속국도에 대한 5만장 수준의 정적 객체 인지 및 갱신 정보 구축
구축목적
자율주행용 정밀지도 자동 갱신 기술 연구 - LDM(Local Dynamic Map) 갱신 기술 및 C-ITS 연계 기술 연구 - 도로시설물 관리 자동화 관련 연구
-
메타데이터 구조표 데이터 영역 교통물류 데이터 유형 이미지 데이터 형식 jpg 데이터 출처 자체 수집 라벨링 유형 Bounding Box, Polyline 라벨링 형식 JSON 데이터 활용 서비스 ㅇ 센서퓨전기반 차선인식시스템 ㅇ 영상 기반 객체변화 탐지 시스템 데이터 구축년도/
데이터 구축량2022년/ㅇ 원천데이터 : 404,000 ( Camera : 250,000 + Lidar : 50,000 + Radar : 100,000 + Meta 4,000 ) ㅇ 라벨링데이터 : 250,000 ( Camera : 250,000 ) -
ㅇ 데이터 구축 규모
데이터 구축 규모 - 원천데이터 Level 0 Level 1 Level 2 Level 3 Level 4 원천데이터 Clip_000 Camera Camera_Front_Center 511_ND_000_FC_000.jpg 511_ND_000_FC_001.jpg ... 511_ND_000_FC_099.jpg Camera_Front_Left 511_ND_000_FL_000.jpg 511_ND_000_FL_001.jpg ... 511_ND_000_FL_099.jpg Camera_Front_Right 511_ND_000_FR_000.jpg 511_ND_000_FR_001.jpg ... 511_ND_000_FR_099.jpg Camera_Back_Left 511_ND_000_BL_000.jpg 511_ND_000_BL_001.jpg ... 511_ND_000_BL_099.jpg Camera_Back_Right 511_ND_000_BR_000.jpg 511_ND_000_BR_001.jpg ... 511_ND_000_BR_099.jpg Lidar Lidar_Roof 511_ND_000_LR_000.pcd 511_ND_000_LR_001.pcd ... 511_ND_000_LR_099.pcd Radar Radar_Front 511_ND_000_RF_000.pcd 511_ND_000_RF_001.pcd ... 511_ND_000_RF_099.pcd Radar_Back 511_ND_000_RB_000.pcd 511_ND_000_RB_001.pcd ... 511_ND_000_RB_099.pcd Meta GNSS_INS 511_ND_000_GI_000.txt Lidar_Camera_Calib 511_ND_000_LC_FC.txt 511_ND_000_LC_FL.txt 511_ND_000_LC_FR.txt 511_ND_000_LC_BL.txt 511_ND_000_LC_BR.txt Lidar_Radar_Calib 511_ND_000_LR_RF.txt 511_ND_000_LR_RB.txt Clip_001 ~ Clip_498 - - 402,384 files Clip_499 Camera Camera_Front_Center 511_ND_499_FC_000.jpg 511_ND_499_FC_001.jpg ... 511_ND_499_FC_099.jpg Camera_Front_Left 511_ND_499_FL_000.jpg 511_ND_499_FL_001.jpg ... 511_ND_499_FL_099.jpg Camera_Front_Right 511_ND_499_FR_000.jpg 511_ND_499_FR_001.jpg ... 511_ND_499_FR_099.jpg Camera_Back_Left 511_ND_499_BL_000.jpg 511_ND_499_BL_001.jpg ... 511_ND_499_BL_099.jpg Camera_Back_Right 511_ND_499_BR_000.jpg 511_ND_499_BR_001.jpg ... 511_ND_499_BR_099.jpg Lidar Lidar_Roof 511_ND_499_LR_000.pcd 511_ND_499_LR_001.pcd ... 511_ND_499_LR_099.pcd Radar Radar_Front 511_ND_499_RF_000.pcd 511_ND_499_RF_001.pcd ... 511_ND_499_RF_099.pcd Radar_Back 511_ND_499_RB_000.pcd 511_ND_499_RB_001.pcd ... 511_ND_499_RB_099.pcd Meta GNSS_INS 511_ND_499_GI_000.txt Lidar_Camera_Calib 511_ND_499_LC_FC.txt 511_ND_499_LC_FL.txt 511_ND_499_LC_FR.txt 511_ND_499_LC_BL.txt 511_ND_499_LC_BR.txt Lidar_Radar_Calib 511_ND_499_LR_RF.txt 511_ND_499_LR_RB.txt 데이터 구축 규모 - 라벨링데이터 Level 0 Level 1 Level 2 Level 3 Level 4 라벨링데이터 Clip_000 Camera Camera_Front_Center 511_ND_000_FC_000.json 511_ND_000_FC_001.json ... 511_ND_000_FC_099.json Camera_Front_Left 511_ND_000_FL_000.json 511_ND_000_FL_001.json ... 511_ND_000_FL_099.json Camera_Front_Right 511_ND_000_FR_000.json 511_ND_000_FR_001.json ... 511_ND_000_FR_099.json Camera_Back_Left 511_ND_000_BL_000.json 511_ND_000_BL_001.json ... 511_ND_000_BL_099.json Camera_Back_Right 511_ND_000_BR_000.json 511_ND_000_BR_001.json ... 511_ND_000_BR_099.json Clip_001 ~ Clip_498 - - 402,384 files Clip_499 Camera Camera_Front_Center 511_ND_499_FC_000.json 511_ND_499_FC_001.json ... 511_ND_499_FC_099.json Camera_Front_Left 511_ND_499_FL_000.json 511_ND_499_FL_001.json ... 511_ND_499_FL_099.json Camera_Front_Right 511_ND_499_FR_000.json 511_ND_499_FR_001.json ... 511_ND_499_FR_099.json Camera_Back_Left 511_ND_499_BL_000.json 511_ND_499_BL_001.json ... 511_ND_499_BL_099.json Camera_Back_Right 511_ND_499_BR_000.json 511_ND_499_BR_001.json ... 511_ND_499_BR_099.json 데이터 분포
1. 가공형태 분포
데이터 분포 - 가공형태 분포 가공형태 Bounding Box Polyline 합계 구축량 316,895 개 1,068,287 개 1,385,182 구축비율 22.8 (%) 77.2 (%) 100% 2. 클래스 별 객체 분포
데이터 분포 - 클래스 별 객체 분포 클래슷 명 객체 수 비율 assistance_line 29,654 7.25 (%) assistance_sign 5,778 1.41 (%) construction 21,144 5.17(%) crack 213 0.05 (%) damaged_assistance_line 441 0.11 (%) damaged_instruction_line 183 0.04 (%) damaged_other_line 3 0.00 (%) damaged_road_line 8,668 2.12 (%) etc 109 0.03 (%) instruction_line 30,062 7.35 (%) other_line 5,737 1.40 (%) regulatory_sign 8,342 2.04 (%) road_line 296,154 72.37 (%) warning_sign 2,724 0.67 (%) 3. 객체 크기 분포 ( Bounding Box )
데이터 분포 - 객체 크기 분포 ( Bounding Box ) 크기 객체 수 비율 S ( 0 ~ 60px ) 193,202 62.63 (%) M ( 60px ~ 120px ) 51,299 16.63 (%) L ( 120px ~ ) 63,960 20.74 (%) 4. 장소 분포
데이터 분포 - 장소 분포 Type Frame 수 비율 type1 (고속국도) 6,000 2.4 (%0 type2 (고속도로) 99,500 39.8 (%) type3 (도심도로) 66,500 26.6 (%) type4 (실증센터) 78,000 31.2 (%) 5. 시간대 분포
데이터 분포 - 시간대 분포 시간대 Frame 수 비율 9 29,000 11.65 (%) 10 49,500 19.88 (%) 11 56,000 22.49 (%) 12 9,500 3.82 (%) 13 47,000 18.88 (%) 14 38,500 15.46 (%) 15 9,500 3.82 (%) 16 5,000 2.01 (%) 17 2,000 0.8 (%) 18 3,000 1.2 (%) 6. 도로상황 분포
데이터 분포 - 도로상황 분포 Type Frame 수 비율 type1 (공사중) 40,500 50.31 (%) type2 (조도 급 변화) 20,500 25.47 (%) type3 (터널) 19,500 24.22 (%) -
-
AI 모델 상세 설명서 다운로드
AI 모델 상세 설명서 다운로드 AI 모델 다운로드[센서퓨전기반 차선인식시스템]
ㅇ개발목표
- 2D Polygon –3D BBOX 융합 모델 개발
- 카메라-Lidar간 Calibration을 통한 융합 모델 개발
- 단일 Lidar 센서를 활용하여 계산에 최적화된 차선 검출 모델 개발
- 수집된 주행 데이터 셋을 활용하여 국내 환경에 맞는 차선 검출 알고리즘 Fine-tuning 및 최적화
- 카메라와의 Calibration으로 2D 이미지에서의 Classification을 통해 차선 검출 모델 고도화ㅇ개발 방안
- 악천후 상황을 포함한 카메라-라이다 동기화 데이터셋 확보
- 카메라-라이다의 캘리브레이션을 통한 융합 데이터 생성
- 단일 Lidar의 Intensity를 활용한 차선검출 모델 개발
- 기존 RANSAC기반의 알고리즘이 아닌 밀도 기반 클러스터링을 통한 차선검출 모델 개발
- Lidar로부터 검출된 차선을 2D Image에 매핑시킨 차선 인식 알고리즘 개발ㅇ적용 시나리오
- 다양한 주행환경 및 상황의 데이터 셋 검증, 활용 모델 최적화 및 개선
- 기존 차선검출 알고리즘과의 속도 및 성능평가 비교를 통해 본 서비스의 성능 입증ㅇ기대효과
- 국내 환경에 최적화된 데이터 셋을 사용한 자율 주행 기술 고도화 및 경쟁력 확보
- 한국도로공사와 같은 공공기관과의 협업으로 상세한 차선검출 알고리즘 개발 가능ㅇ향후 사업화 및 제품화 방안
- 차량 혹은 펄스널 모빌리티에 적용하여 차선 검출 알고리즘 사업화 및 제품화
- 기존 알고리즘보다 빠른 성능의 알고리즘을 제시함으로써 기존 차선검출 알고리즘 대체 가능[영상 기반 객체변화 탐지 시스템]
ㅇ개발목표
- 영상센서 기반 검출 알고리즘을 사용한 갱신데이터 추출
- 정적객체인 도로 위의 정보들의 분류를 통한 판단 알고리즘 개발ㅇ개발 방안
- 영상센서 기반 이미지의 학습되어진 데이터 기반으로 object 검출 (포지판)
- 비교 되어지는 두 개의 이미지에서 검출되어진 데이터 비교
- Yolov5 model을 통해서 이미지에서의 위치와 표지판의 종류(지시, 규제, 주의)를 검출
- EfficientNetV2 모델을 이용하여 표지판의 세부정보 (일방통행, 주정차금지, 속도제한 등) 을 classification하여 분류함
- 시간 t1의 이미지에서 검출되어진 object 이 없고 t2 이미지에서 존재한다면 새로 생긴 객체로 판단
- 시간 t1의 이미지에서 검출되어진 object 이 있고 t2 이미지에서 존재하지 않는다면 사라진객체로 판단
- 판단 되어진 데이터 기반 정밀도로지도에서의 갱신되어진 부분에 대하여 자동적으로 판단함
- 구축된 본 과제의 데이터셋을 이용하여 정밀도로지도 및 도로 상황에 대하여 변화되어진 지도 서비스가 가능 서비스가 가능ㅇ적용 시나리오
- 수집된 다양한 국내 도로 데이터와 상황별 데이터를 활용하여 데이터 셋 검증, 활용 모델 최적화 및 개선
- 본 개발되는 최적 경로 안내 서비스와 실제 상용화된 제품과의 비교ㅇ기대효과
- 국내 자율주행의 선도화 및 갱신을 위하여 국내 환경에 최적화된 정밀도로지도 갱신용 데이터셋을 구축
- 차선, 신호등, 노면 표지, 도로공사 정보 등 객체 분류 기술을 통해 자율주행에 필요한 정밀도로 지도 갱신 알고리즘 개발 가능ㅇ향후 사업화 및 제품화 방안
- 기존 내비게이션 및 어플리케이션의 경로 안내 서비스에 도로정보를 포함한 정적객체의 좌표를 적용하여 기존 시스템 고도화 가능
- 차량 혹은 퍼스널 모빌리티에 적용하여 위험 상황 알림 서비스 사업화 및 제품화 -
데이터 성능 점수
측정값 (%)기준값 (%)데이터 성능 지표
데이터 성능 지표 번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수 1 폴리라인 차선 검출 Object Detection EfficientNet + FPN F1-Score 0.7 점 0.868499999999999 점 2 바운딩박스 객체 검출 Object Detection YOLO v4 mAP 70 % 79.85 %
※ 데이터 성능 지표가 여러 개일 경우 각 항목을 클릭하면 해당 지표의 값이 그래프에 표기됩니다.
※ AI모델 평가 지표에 따라 측정값의 범위, 판단 기준이 달라질 수 있습니다. (ex. 오류율의 경우, 낮을수록 좋은 성능을 내는 것으로 평가됩니다)
-
설명서 및 활용가이드 다운로드
데이터 설명서 다운로드 구축활용가이드 다운로드ㅇ 대표 도면
대표 도면 데이터명 자율주행차 정적객체정보 인지 및 갱신 자동화 데이터 데이터포맷 - 원시데이터 : jpg(1920 * 1200) - 원천데이터 : jpg(1920 * 1200) - 라벨링데이터 : json 데이터 출처 - 데이터 수집 : ㈜모빌테크, 유오케이 - 데이터 정제 : ㈜모빌테크, 유오케이 - 데이터 가공 : ㈜마이닝비즈랩, ㈜어노테이션에이아이 데이터 구축 규모 0 라벨링데이터 : 250,000 ( Camera : 250,000 ) ㅇ 라벨링데이터 구성
라벨링데이터 구성 구분 속성명 타입 필수여부 설명 범위 비고 1 version String N Version “4.0.0” 예) “4.0.0” 2 flags object N flags “null” 예) “” 2 2-1 v1 string Y 장소 분포 v1: type1/type2/type3/type4 예) “type1” 2-2 v2 string Y 도로 상황 분포 v2: type1/type2/type3/None 예) “type1” 2-3 Time number Y 시간대 분포 Time:xx 예) “17” 3-1 shapes.label String Y 라벨링정보 "road line", "instruction line", "assistance line“,”other line“, ”warning sign“, ”regulatory sign“, ”Assistance sign“, ”construction“, ”crack“, ”etc”, “damaged road line“, ”damaged instruction line“, ”damaged assistance line”,“damaged other line” 예) “road line” 1-2 shapes.points String Y 좌표정보 {x=[0:1920], 예) y=[0:1200]} "points": [[1714,226],[1700,230], ...]], 1-3 shapes.group_id Number N 세부 클래스 “null“ 예) “null” 1-4 shapes.shape_type Number Y 가공 타입 “polygon”, “polyline” 예) “polygon” 1-5 shapes.flags String N “null“ 예) “null“ 4 imagePath String Y 이미지 경로 "511_ND_000_FC_000.jpg", 예) "511_ND_000_FC_000.jpg", 5 imageData String Y 이미지 파일 “null” 예) “null” 6 imageWidth Number Y 이미지 가로크기 “1200” 예) “1200” 7 imageHeight Number Y 이미지 세로크기 “1920“ 예) “1920“ ㅇ 라벨링데이터 실제 예시
{ "imagePath": "511_ND_000_FC_000.jpg",
"imageData": null,
"imageHeight": "1200",
"imageWidth": "1920",
"shapes": [
{
"label": "assistance_line",
"points": [
[
648,
618
],
[
1014,
640
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
},
{
"label": "road_line",
"points": [
[
914,
623
],
[
899,
617
],
[
844,
613
],
[
745,
611
]
],
"group_id": null,
"shape_type": "line",
"flags": {}
},
{
"label": "road_line",
"points": [
[
915,
632
],
[
1008,
632
]
],
"group_id": null,
"shape_type": "line",
"flags": {}
},
{
"label": "road_line",
"points": [
[
980,
622
],
[
968,
617
],
[
909,
612
],
[
842,
609
]
],
"group_id": null,
"shape_type": "line",
"flags": {}
},
{
"label": "road_line",
"points": [
[
1919,
758
],
[
1727,
725
],
[
1491,
685
],
[
1376,
664
]
],
"group_id": null,
"shape_type": "line",
"flags": {}
},
{
"label": "assistance_line",
"points": [
[
544,
611
],
[
714,
636
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
},
{
"label": "road_line",
"points": [
[
897,
636
],
[
902,
632
]
],
"group_id": null,
"shape_type": "line",
"flags": {}
},
{
"label": "road_line",
"points": [
[
908,
637
],
[
913,
632
]
],
"group_id": null,
"shape_type": "line",
"flags": {}
},
{
"label": "instruction_line",
"points": [
[
921,
627
],
[
955,
651
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
},
{
"label": "road_line",
"points": [
[
1583,
739
],
[
1469,
710
]
],
"group_id": null,
"shape_type": "line",
"flags": {}
},
{
"label": "road_line",
"points": [
[
238,
1177
],
[
604,
874
],
[
874,
658
]
],
"group_id": null,
"shape_type": "line",
"flags": {}
},
{
"label": "road_line",
"points": [
[
0,
954
],
[
268,
854
],
[
610,
718
],
[
776,
658
],
[
823,
640
]
],
"group_id": null,
"shape_type": "line",
"flags": {}
},
{
"label": "instruction_line",
"points": [
[
1375,
710
],
[
1518,
764
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
},
{
"label": "road_line",
"points": [
[
879,
655
],
[
898,
638
]
],
"group_id": null,
"shape_type": "line",
"flags": {}
},
{
"label": "road_line",
"points": [
[
685,
629
],
[
719,
618
],
[
745,
610
]
],
"group_id": null,
"shape_type": "line",
"flags": {}
},
{
"label": "road_line",
"points": [
[
354,
1199
],
[
660,
898
],
[
884,
665
]
],
"group_id": null,
"shape_type": "line",
"flags": {}
},
{
"label": "instruction_line",
"points": [
[
801,
715
],
[
946,
926
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
},
{
"label": "road_line",
"points": [
[
1489,
806
],
[
1360,
752
]
],
"group_id": null,
"shape_type": "line",
"flags": {}
},
{
"label": "road_line",
"points": [
[
50,
819
],
[
277,
759
],
[
641,
666
],
[
757,
637
]
],
"group_id": null,
"shape_type": "line",
"flags": {}
},
{
"label": "road_line",
"points": [
[
67,
763
],
[
247,
731
],
[
492,
677
],
[
666,
645
]
],
"group_id": null,
"shape_type": "line",
"flags": {}
},
{
"label": "instruction_line",
"points": [
[
1570,
709
],
[
1778,
761
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
},
{
"label": "assistance_sign",
"points": [
[
1018,
485
],
[
1041,
507
]
],
"group_id": null,
"shape_type": "rectangle",
"flags": {}
},
{
"label": "road_line",
"points": [
[
1234,
990
],
[
1059,
734
],
[
994,
635
]
],
"group_id": null,
"shape_type": "line",
"flags": {}
},
{
"label": "damaged_road_line",
"points": [
[
0,
742
],
[
149,
717
],
[
399,
678
],
[
639,
639
]
],
"group_id": null,
"shape_type": "line",
"flags": {}
}
],
"flags": {
"v1": "type3",
"v2": "None",
"Time": 13
}
}
-
데이터셋 구축 담당자
수행기관(주관) : 한국전자기술연구원
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 최효섭 031-789-7508 hschoi@keti.re.kr 사업 총괄, 데이터 설계, 데이터 수집, 데이터 가공, 데이터 검사 수행기관(참여)
수행기관(참여) 기관명 담당업무 한국전자기술연구원 데이터 설계, 학습모델 구현, 홍보활동 ㈜모빌테크 데이터 수집, 정제, 비식별화 유오케이 데이터 수집, 정제 ㈜마이닝비즈랩 데이터 가공 ㈜어노테이션에이아이 데이터 가공, 데이터 저작도구 아주대학교 산학협력단 데이터 검사 데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 최효섭 031-789-7508 hschoi@keti.re.kr
-
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 -
- AI 허브 접속
신청자 - 안심존
사용신청신청자신청서류 제출* - 심사구축기관
- 승인구축기관
- 데이터 분석 활용신청자
- 분석모델반출신청자
- AI 허브 접속
-
1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기] [공용IRB 심의신청 가이드라인]
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.