根据提供的 Hugging Face 数据集页面内容，以下是对 nvidia/PhysicalAI-Autonomous-Vehicles 数据集的详细解析。该数据集是 NVIDIA 发布的大规模、多传感器自动驾驶数据集，主要用于支持端到端驾驶系统的研究与开发。
📌 数据集概览
- 发布方：NVIDIA Corporation
- 总时长 ：1,700 小时驾驶数据
- 片段数量 ：306,152 个片段 ，每个片段 20 秒
- 地理覆盖 ：采集自 25 个国家 的 2,500 多座城市（美国占 50%，其余来自 24 个欧盟国家）
- 总大小 ：约 133 TB
- 许可协议 ：需同意 NVIDIA Autonomous Vehicle Dataset License Agreement 方可访问，允许用于自动驾驶相关商业/非商业研究。
🌍 数据多样性
页面提供了详细的环境和交通多样性描述：
- 交通密度：无车、轻度、中度、重度
- 道路类型：高速公路、城市道路、住宅区、乡村道路
- 天气：晴朗、雨天、雪天、雾天
- 路面状况：干燥、湿滑、积雪/结冰
- 时段：白天、夜晚
- 基础设施：隧道、桥梁、环岛、铁路道口、收费站、坡道等
国家分布（按片段计数）：
| 国家 | 片段数 | 国家 | 片段数 | 国家 | 片段数 |
|---|---|---|---|---|---|
| 美国 | 155,360 | 克罗地亚 | 4,961 | 罗马尼亚 | 2,719 |
| 德国 | 43,900 | 荷兰 | 4,932 | 卢森堡 | 2,620 |
| 法国 | 10,364 | 丹麦 | 4,581 | 拉脱维亚 | 2,173 |
| 意大利 | 8,658 | 斯洛文尼亚 | 4,301 | 匈牙利 | 1,960 |
| 瑞典 | 7,330 | 爱沙尼亚 | 4,128 | 保加利亚 | 932 |
| 西班牙 | 6,459 | 斯洛伐克 | 4,122 | ||
| 葡萄牙 | 6,101 | 比利时 | 3,753 | ||
| 希腊 | 5,885 | 捷克 | 3,662 | ||
| 奥地利 | 5,451 | 立陶宛 | 3,392 | ||
| 芬兰 | 5,176 | 波兰 | 3,232 |
🛰️ 传感器配置与覆盖
| 传感器类型 | 数量 | 覆盖片段数 | 说明 |
|---|---|---|---|
| 摄像头 | 7 个 | 306,152（全部） | 1080p/30fps，7个视角（前广角120°、前长焦30°、交叉左右120°、后左右70°、后长焦30°） |
| 激光雷达 | 1 个 | 298,326 | 车顶360°旋转式LiDAR，10 Hz，点云经Draco编码 |
| 雷达 | 最多10个 | 160,761 | 包括短距(SRR)、中距(MRR)、长距(LRR)，分布在车辆四周 |
此外，数据集还提供：
- 自运动（ego motion）
- 传感器标定数据（内参/外参）
- 自动生成的机器标签（非人工真值）
- 片段级元数据（便于按需筛选）
📁 文件组织结构
数据按传感器类型分块存储，每个块（chunk）包含约100个片段，以ZIP或Parquet格式提供。
├── camera/
│ ├── camera_front_wide_120fov/
│ │ ├── camera_front_wide_120fov.chunk_0000.zip # 内含 <uuid>.mp4 和帧时间戳.parquet
│ │ └── ...
│ └── camera_cross_left_120fov/ ...
├── lidar/
│ └── lidar_top_360fov/
│ ├── lidar_top_360fov.chunk_0000.zip # 内含 <uuid>.lidar_top360_fov.parquet
│ └── ...
├── radar/
│ ├── radar_corner_front_left_srr_0/
│ │ ├── radar_corner_front_left_srr_0.chunk_0000.zip
│ │ └── ...
│ └── ...（共10个雷达位置）
├── calibration/
│ ├── camera_intrinsics.offline/ # 离线优化的内参
│ ├── camera_intrinsics/ # 原始内参
│ ├── lidar_intrinsics.offline/
│ ├── sensor_extrinsics.offline/
│ ├── sensor_extrinsics/
│ └── vehicle_dimensions/
├── labels/
│ ├── egomotion.offline/
│ ├── egomotion/
│ └── obstacle.offline/
└── metadata/
├── data_collection.parquet # 含国家、月份、时段等过滤字段
└── feature_presence.parquet # 每个片段的传感器可用性（原 sensor_presence.parquet）关键文件格式说明：
- 摄像头：MP4视频 + 帧时间戳Parquet
- LiDAR ：每个片段一个Parquet，包含多个旋转（spin），点云经Draco压缩 ，需用
DracoPy解码 - 雷达：每个片段一个Parquet，包含每次扫描的时间戳、方位角、俯仰角、距离、径向速度、RCS、SNR等
- 标定：提供传感器在车辆坐标系下的位姿（四元数+位置），相机内参采用f-theta模型
- 标签 ：
egomotion提供车辆自身运动（局部坐标系，原点为0时刻位置，偏航为0，俯仰/滚转相对重力估计）；obstacle.offline为自动生成的障碍物标签
🛠️ 开发工具与生态
NVIDIA 提供了 Python 开发者工具包：
- GitHub 仓库 ：NVlabs/physical_ai_av
- 安装 ：
pip install physical_ai_av（需 Python ≥ 3.11） - 功能：支持从 Hugging Face 直接下载、数据格式解析、工作流集成
此外，还提供 Cosmos Dataset Search (CDS) 预览体验（需注册），可用于多模态语义搜索。
🚀 应用场景
页面列举了数据集适用的研究领域：
- 端到端驾驶模型训练
- 场景挖掘与分析
- 神经重建（Neural Reconstruction）
- 合成数据生成
- 监督微调（Supervised Fine Tuning）
- 运行时评估
- 强化学习
NVIDIA 还提供了基于此数据集的工作流示例（如 Alpamayo 开发工作流），支持 NuRec 重建、监督微调和强化学习。
⚖️ 许可与道德考量
- 许可协议 ：必须接受 NVIDIA Autonomous Vehicle Dataset License Agreement，仅允许用于自动驾驶相关开发，禁止逆向工程、重新分发、身份识别、生物特征处理等。
- 道德声明：NVIDIA 强调可信AI，要求开发者确保其应用符合行业伦理和法律要求，禁止用于非法监控、未经同意的生物信息收集、骚扰等。
- 隐私保护：数据集已经过匿名化处理，禁止尝试重新识别个体（如车牌、人脸）。若发现未充分匿名化，需立即通知 NVIDIA。
📦 版本历史
- v26.03（当前）：添加了离线优化的特征（egomotion.offline, obstacle.offline, 标定.offline），更新了元数据结构，支持 NuRec、SFT、RL 工作流。
- v25.10：初始发布。
以上信息均来自您提供的 Hugging Face 数据集页面。如果您需要更详细的字段说明（例如雷达数据的具体列名），可以访问 physical_ai_av 仓库的 Wiki。