nuScenes
由Motional（原nuTonomy）发布的大规模自动驾驶感知基准数据集，包含多摄像头、激光雷达和雷达数据，广泛用于3D目标检测与追踪的标准化评估
时间轴 (近 90 天)
在pedestrian trajectory forecasting任务上，eCoMAE在IMPTC、Waymo、nuScenes和inD四个数据集上均取得了最佳的微调MSE。
研究采用PointPillars集成模型，在KITTI和nuScenes两个公开数据集上进行实验。
按帧计数时，同一数据在预先固定的限值下，于远距离迁移、降雨迁移以及两个独立训练检测器之间的迁移中均出现“不适用”结果。
按记录序列计数时，两个数据集均未提供足够的独立单元来支撑任何性能目标限值，且没有任何迁移得到“不适用”的结果。
GeoState在KITTI和nuScenes数据集上实现了零样本泛化，无需针对新数据集重新训练即可迁移到不同传感器配置和场景分布。
nuScenes 由 Motional（原 nuTonomy）发布，包含来自波士顿和新加坡的激光雷达及多摄像头数据
MESSENGER 在 nuScenes 和 Argoverse 2 上达到了当前最优（state-of-the-art）水平
在 nuScenes 数据集的长时程未来外推任务中，MESSENGER 将 3D 端点误差（EPE3D）降低了 71.6%
ImageNet、nuScenes、KITTI、Waymo Open Dataset等少数几个数据集长期主导着自动驾驶感知、检测、规划任务的评测排行榜
KITTI和nuScenes基准均按0-30m、30-50m、50m以上等区间分别报告检测指标
全部知识事实 (10)
在pedestrian trajectory forecasting任务上，eCoMAE在IMPTC、Waymo、nuScenes和inD四个数据集上均取得了最佳的微调MSE。
50%待验证研究采用PointPillars集成模型，在KITTI和nuScenes两个公开数据集上进行实验。
50%待验证按帧计数时，同一数据在预先固定的限值下，于远距离迁移、降雨迁移以及两个独立训练检测器之间的迁移中均出现“不适用”结果。
50%待验证按记录序列计数时，两个数据集均未提供足够的独立单元来支撑任何性能目标限值，且没有任何迁移得到“不适用”的结果。
50%待验证GeoState在KITTI和nuScenes数据集上实现了零样本泛化，无需针对新数据集重新训练即可迁移到不同传感器配置和场景分布。
50%待验证nuScenes 由 Motional（原 nuTonomy）发布，包含来自波士顿和新加坡的激光雷达及多摄像头数据
50%待验证MESSENGER 在 nuScenes 和 Argoverse 2 上达到了当前最优（state-of-the-art）水平
50%待验证在 nuScenes 数据集的长时程未来外推任务中，MESSENGER 将 3D 端点误差（EPE3D）降低了 71.6%
50%待验证ImageNet、nuScenes、KITTI、Waymo Open Dataset等少数几个数据集长期主导着自动驾驶感知、检测、规划任务的评测排行榜
50%待验证KITTI和nuScenes基准均按0-30m、30-50m、50m以上等区间分别报告检测指标
50%