目录
自动驾驶需要对附近的目标和表面有细颗粒度（fine-grained）的理解。光检测和范围（LiDAR）提供了关于环境准确的几何信息。目前，缺少一个基于移动LiDAR大规模数据集。我们标注了KITTI Vision Odemetry Benchmark的所有序列，提供了360度视野的密集逐点标注，并提出3个基准测试：（1）单次扫描（single scan）的点云语义分割；（2）多次扫描（multiple past scans）的语义分割；（3）语义场景补全，要求预测未来语义场景。
该数据不同于其他数据集在于：我们提供精确的扫描序列标注。总的来说，我们对KITTI Vision Odemetry Benchmark的所有22个序列进行了标注。我们的贡献在于：
（1）我们提出一个逐点标记的点云序列数据集，数据集中的类别是空前的，并提供了未见的细节层次
（2）我们提供了目前最好的点云语义分割方法评测
（3）我们调查了序列信息的在多测扫描的语义分割中的使用
（4）基于对移动小车的序列标注，针对语义场景补全任务，提供了一个真实世界数据集和基准结果。
（5）点云标注工具开源
基于KITTI数据集建立，包含城市中心交通、居民区，高速公路和农村道路。原始测距数据包括22个序列，其中00-10被分为训练数据，11-21分为测试数据，我们的数据集采纳了这种分割，并且只提供训练数据的标注。总的来说，我们为训练提供了23201完整3D扫描，为测试提供了20351。相较其他数据，我们提供了由一个常用移动LiDAR（Velodyne HDL-64E）产生的序列点云标签。其他开源数据仅提供：（1）获得的全部序列的聚合；（2）对全部序列的一些个别扫描的聚合。因为我们提供的是整个序列的个别扫描，所以可以：（1）调查多次、连续扫描的点云聚合对语义分割的影响；（2）如何使用这个信息去识别移动物体。
我们不区分有人开的车和车，但区分车和单车（摩托车）；区分移动和不移动的任何车。总的来说，数据集分为28类，其中6类被指定归属于移动或非移动。一个离群类包含了因为反光或其他原因造成的错误雷达测量。
我们将多次扫描的结果重叠在一起，这让我们可以连续的标注多次扫描的结果。我们首先使用off-the-shelf laser-based SLAM system注册（register）并循环闭合（loop close）序列。由于惯性导航系统（inertial navigation system）提供的信息往往会导致地图不一致，因此需要采取这一步骤.i.e., 街道在一段时间重新扫描时，会存在不同的高度。我们必须手动添加循环闭合约束来获得正确的循环闭合轨迹，因为这对于获得一致的注释点云至关重要。
我们将点云细分为100m*100m的块。对于每个块，我们只加载与块重叠的扫描。这使我们能够一致地标记所有的扫描，即使在遇到暂时遥远的循环闭包时也是如此。
