自动驾驶遇上积水路面:FRED 数据集做了什么,为什么值得关注?
- 2026-09-09 14:37:17
点击下方卡片关注我们，点亮星标⭐，优质好文第一时间送达^_^
Click on the card below to follow US
>>>戳我一下，加入智驾机器人学习交流群✨
自动驾驶系统怕什么？
很多人会想到行人横穿、复杂路口、夜间驾驶、雨雪天气。但还有一种场景很容易被低估：路面积水，尤其是被洪水淹没的道路。
对人类司机来说，前方一片水面往往意味着“减速、绕行、判断深浅”。但对自动驾驶车辆而言，这并不是一个简单的视觉问题。水面会反光，会随光照、天空、树影、道路材质变化而呈现完全不同的外观；激光雷达打到水面时，也可能出现信号缺失、回波异常等情况。换句话说，摄像头不一定看得准，LiDAR 也不一定扫得清。
论文 《FRED: A Multi-Modal Autonomous Driving Dataset for Flooded Road Environments》 正是围绕这一问题展开。作者提出了一个面向积水道路场景的多模态自动驾驶数据集：FRED，即 Flooded Road Environments Dataset。
这篇文章的核心贡献并不是提出一个新的模型，而是补上了一个自动驾驶研究里长期缺失的基础设施：真实洪水/积水道路环境下，可用于感知、定位和传感器融合研究的数据集。
在自动驾驶感知任务中，车辆需要知道哪里可以走，哪里不能走。道路、车道线、车辆、行人、交通标志，这些对象已经有大量数据集和算法研究支撑。
但水面不太一样。
它既不是传统意义上的障碍物，也不是普通道路区域。浅水坑可能还能通过，深水区域则可能导致车辆熄火、失控，甚至危及乘客安全。更麻烦的是，水面在传感器中的表现非常不稳定。
从图像角度看，水面可能像镜子一样反射天空和树木，也可能因为浑浊、阴影、波纹而与普通路面混在一起。从 LiDAR 角度看，水面对激光束的反射并不稳定，常常会造成点云缺失。也就是说，一个积水区域在摄像头里“不像障碍物”，在 LiDAR 里又可能“没有足够点”。
这就使得水害检测成为自动驾驶感知中一个很棘手的长尾问题。
过去也有一些与水面检测相关的数据集，比如 Puddle-1000、Night-Puddle、Semantic Spray++ 等，但它们要么主要是图像数据，要么可访问性受限，要么并不专门覆盖真实洪水道路场景。FRED 的意义就在于，它把问题进一步推向了真实自动驾驶传感器栈：摄像头、LiDAR、GNSS/IMU、干湿两种状态、语义标注、定位评测，都放在同一个数据集中。
FRED 数据集来自澳大利亚布里斯班附近 2025 年一次主要洪水事件后的道路环境。作者使用一辆改装后的 Renault Zoe 自动驾驶测试车进行采集，车辆被称为 Zoe 2。
数据一共覆盖 5 个地点：
Mount Cotton Cambogan Holmview Pullenvale Dairy Creek
这些地点并不是简单重复的“有水路面”，而是尽量覆盖不同类型的水害环境。论文图 2 展示了几个典型例子：Mount Cotton 更接近水坑/积水路面，Cambogan、Dairy Creek、Holmview 包含更明显的洪水道路，Pullenvale 则是有流动水穿过道路的场景。
更重要的是，作者不仅采集了“有水”的场景，还在洪水消退、道路恢复后重新回到相同地点，采集了对应的“干燥道路”序列。这一点很关键，因为它让研究者不仅可以训练积水检测模型，还能研究同一地点在干湿状态变化下的定位、匹配和地图构建问题。
论文中提到，FRED 总共包含约 5340 个数据样本，每个样本都来自自动驾驶车辆上的多传感器系统。
FRED 的一个突出特点是“多模态”。它不是只给一批图片和标签，而是提供了更接近真实自动驾驶系统的数据组合。
论文表 2 给出了更具体的参数。相机分辨率为 1920×1200，约 2.3MP，帧率 30Hz；LiDAR 为 64 线 360°，约 10Hz，每秒约 65 万点；IMU 为 200Hz，并结合 RTK GNSS 提供厘米级定位能力。
这套配置的价值在于，它允许研究者同时做几类事情：
一是基于图像做水害语义分割；二是基于 LiDAR 分析水面对点云的影响；三是做相机与 LiDAR 的融合检测；四是利用 GNSS/IMU 做地图构建、轨迹对齐和定位评估。
很多水面检测数据集只能支持第一类任务，而 FRED 明显想把研究空间扩展到完整自动驾驶系统层面。
为了方便不同研究者使用，FRED 提供了两种数据格式。
第一种是 KITTI-style 格式。这类格式对自动驾驶研究者比较友好，因为 KITTI 数据集长期是自动驾驶感知和定位研究中的标准参考。FRED 在 KITTI-style 格式中，将不同传感器的数据放到不同文件夹下，比如：
front-imgs back-imgs front-labels back-labels imu ouster utm
图像以 PNG 形式保存，点云以 .bin 文件保存，IMU/GNSS 信息以文本形式保存。数据从原始记录中以约 10Hz 采样出来，并使用统一计算机时间戳进行对齐。
第二种是 native RTMaps 格式。RTMaps 是车辆采集时使用的软件环境，可以直接回放车辆传感器数据。但它需要许可，不一定适合所有研究者。因此，作者同时保留原始 RTMaps 格式和更通用的 KITTI-style 格式，兼顾可复现性和易用性。
论文图 3 展示了 FRED 的目录组织方式：先按道路状态分为 dry 和 flooded，再按格式、地点、采集时间组织序列。
FRED 的语义标注主要面向前视相机图像，并集中在 flooded 序列中。
作者使用了 Cutie 视频目标分割工具进行辅助标注。具体做法是先利用视频分割模型在连续帧之间传播标签，再由人工检查和修正，保证标注质量。论文图 5 中可以看到标注界面，红色区域代表道路，绿色区域代表水害。
点云方面，FRED 没有直接提供完整的点云语义标签。原因也很现实：LiDAR 在水面上经常没有稳定回波，很多水面区域本身就缺点。强行给所有点云做标签并不可靠。
不过，作者在开发工具包中提供了点云投影到图像平面的功能。研究者可以将 LiDAR 点投影到相机图像上，再根据对应像素的语义标签给点云赋值。论文图 6 展示了这种基于图像标签迁移到点云的方式。
这是一种比较务实的处理：不假装点云标签完美存在，而是提供工具，让研究者根据任务需求自行生成可用标签。
FRED 还提供了一个 Python 开发工具包，用来加载、处理、可视化和评估数据。
工具包支持的功能包括：
将 LiDAR 点云投影到图像上 用距离、强度或语义标签给点云着色 可视化图像语义标注 查找干湿序列中相同位置的图像 绘制不同序列的 UTM 轨迹 尝试对水面造成的点云缺失区域做地面投影补全
论文图 7 到图 11 展示了这些工具的效果。比如图 7 展示了点云投影到图像后，可以按照距离、反射强度或语义类别进行着色；图 8 展示了如何在 flooded 和 dry 序列中寻找同一地点的图像；图 10 展示了不同序列的轨迹对齐情况；图 11 则展示了对水面缺失点云区域的实验性补全。
这些工具很重要。因为一个数据集如果只有原始文件，没有配套工具，实际使用门槛会很高。FRED 把传感器融合、标注可视化、定位评估等常用操作预先封装，能让研究者更快进入具体问题。
为了说明 FRED 的研究价值，作者首先评估了图像语义分割任务，重点看模型能否识别道路上的水害区域。
他们测试了几类方法：
评估指标是语义分割常用的 IoU / mIoU。简单说，IoU 衡量预测区域和真实标注区域重叠得有多好，越接近 1 越好。
从论文表 3 的结果看，现有方法在 FRED 上表现并不理想。不同地点之间差异明显，而且不少模型在某些场景几乎失效。
这里有两个值得注意的现象。
第一，模型对场景变化非常敏感。DeepLab V3 RAU 在 Mount Cotton 上表现很好，但在其他地点下降明显。V-Flood 在 Dairy Creek 上较好，但整体也不稳定。
第二，已有模型在真实道路积水场景中的泛化能力不足。这些方法在原始论文或原始应用场景中可能有不错表现，但到了 FRED 中，面对更复杂的道路、光照、阴影、水体形态，性能下降明显。
论文图 13 展示了几种模型的分割效果。作者认为 V-Flood 和 DeepLab V3 RAU 相对更有潜力，而 GA-Nav 和 YOLOv8 在这个任务上的泛化较差。
对自动驾驶来说，发现水害并不是“到跟前看清楚”就够了。
车辆需要提前发现前方危险，才能有足够距离减速、停车或绕行。因此，远距离水害检测非常关键。
论文图 14 展示了一个典型问题：DeepLab V3 RAU 在近距离时能较好分割水害区域，但在中等距离下，对前方积水的识别明显不足。
这说明水害检测不能只看平均指标，还要关注检测距离。一个模型如果只能在车辆快要进入积水时才识别出来，在真实自动驾驶系统中仍然不够安全。
另一个问题是误报。
如果模型把阴影、路面纹理、反光区域误认为积水，车辆可能会突然减速或制动。这类现象在自动驾驶里通常被称为 phantom braking，也就是“幽灵刹车”。
论文图 15 展示了两个误报案例。阴影和不均匀路面会让模型误判为水害区域。对于实际部署来说，这同样危险：漏检可能让车冲进积水，误检则可能造成不必要的急刹，影响后车和乘客安全。
所以，FRED 的价值不仅在于提供“有水”的样本，也在于提供复杂背景下的负样本和干湿对照，让研究者能够同时优化漏检和误检。
除了水害分割，论文还评估了 Visual Place Recognition，视觉地点识别，简称 VPR。
VPR 的任务是：给定一张当前图像，在已有地图或参考图像库中找到最相似的位置。它常用于视觉定位、回环检测和 SLAM。
作者测试了多种近年来常见的 VPR 描述子，包括：
BoQ Clique Mining CosPlace CricaVPR EigenPlaces MixVPR SALAD SuperVLAD
实验设计也很直接：用干燥道路序列建立参考库，再分别用 dry 和 flooded 序列作为查询，观察水害是否会影响地点识别。评价指标为 Recall@1，也就是最相似的第一张参考图是否就是正确地点。
结果很有意思。
在 dry 查询序列中，所有方法几乎都达到 100% Recall@1。这说明在同一天、短序列、相同地点条件下，现有 VPR 方法可以很好地完成匹配。
但换成 flooded 查询序列后，性能普遍下降。论文表 4 显示，多数描述子的平均下降幅度在 5% 到 8% 左右，而 CricaVPR 下降约 18%。
不同地点的影响也不一样。Pullenvale 的性能下降很小，因为水害对画面外观改变相对有限；Cambogan 的下降更明显，因为道路被洪水改变得更彻底。论文图 16 对比了这两个地点，也直观说明了水害对视觉外观的影响程度。
这说明积水道路不仅影响“哪里有水”的感知任务，也会影响“我在哪里”的定位任务。对于自动驾驶系统来说，这两个问题都很关键。
1. 第一个专门面向积水道路的多模态自动驾驶数据集
FRED 不是普通雨天数据，也不是单张水坑图片集合，而是围绕真实道路水害场景采集的完整自动驾驶数据集。它包含摄像头、LiDAR、GNSS/IMU，并覆盖多个地点和多种积水形态。
2. 同一地点提供 dry / flooded 对照
干湿两种状态的采集非常重要。它让研究者可以分析同一地点在洪水前后视觉外观、点云结构和定位结果的变化，也方便开展地图辅助检测和长期定位研究。
3. 提供水害语义标注与点云投影工具
FRED 提供前视图像语义标注，并允许通过投影方式把图像标签迁移到点云。这样既服务图像分割，也为相机-LiDAR 融合研究留下空间。
4. 证明现有方法仍有明显短板
通过语义分割和 VPR 两类实验，论文证明：现有模型在真实积水道路环境下并不稳健。远距离检测、误报控制、跨地点泛化、洪水条件下视觉定位，都是后续值得重点研究的问题。
FRED 这篇论文给人的最大感受是：自动驾驶的难题，很多时候并不是“又一个模型结构”能解决的，而是需要先把真实世界中那些少见、危险、复杂的场景系统性地记录下来。
积水道路就是这样的场景。
它不像行人、车辆、车道线那样在主流数据集中大量出现，却在极端天气和灾害环境中非常关键。对于自动驾驶、无人配送、矿区车辆、灾后救援机器人来说，识别道路积水并安全处理，都是不可回避的问题。
FRED 的出现，至少为这个方向提供了一个更完整的起点。它让研究者能够不再只依赖零散图片或难以访问的数据，而是在一个多传感器、带定位、带干湿对照、带标注和工具包的数据集上系统评估方法。
从论文实验结果看，当前方法离“可靠处理积水道路”还有距离。模型可能看不见远处的水，也可能把阴影当成水；视觉定位系统在洪水改变道路外观后，也会出现性能下降。
但这恰恰说明 FRED 的价值：它不是为了证明某个方法已经解决问题，而是把问题更清楚地暴露出来。
自动驾驶要走向真实世界，就必须面对真实世界的不完美。
晴天、白天、道路清晰的场景固然重要，但真正决定系统安全边界的，往往是雨后积水、道路被淹、阴影反光、传感器失效这些长尾情况。
FRED 数据集把“积水道路”从一个容易被忽略的边缘问题，推进成一个可以被系统研究、量化评估和持续改进的开放任务。
对于自动驾驶感知、传感器融合、视觉定位和机器人安全导航研究来说，这篇工作值得关注。
参考资料
论文标题： FRED: A Multi-Modal Autonomous Driving Dataset for Flooded Road Environments 中文译名： FRED：面向积水道路环境的多模态自动驾驶数据集 作者： Connor Malone、Sébastien Demmel、Sébastien Glaser
智驾 & 机器人学习交流圈
学
起
来
收藏
点赞
在看
收藏
点赞
在看
（1）自动驾驶可指导方向：CUDA编程，高性能计算HPC，CV/感知算法，端到端自动驾驶，决策规划，显著性分析，图像分割，LLM，自动驾驶，雷达感知，自动驾驶感知，毫米波雷达，深度学习，滤波算法，预期功能安全，自动驾驶基础共性技术研究，自动驾驶模拟仿真技术研究，自动驾驶安全性设计及验证，仿真与测试，场景生成，强化学习，预期功能安全，自动驾驶点云处理，行为识别，目标检测，视觉感知，BEV感知，边缘计算，数据处理，驾驶行为研究，点云，多模态，自动驾驶决策规划，英伟达平台模型部署优化，自动驾驶安全方向等。
（2）机器人可指导方向：机器人路径规划及算法，AI 集中在ROS机器人和CV NLP，计算机视觉，机器学习，机器人，三维视觉， 图像融合 ，图像理解 ，机器人算法，SLAM，点云处理，信号处理，具身智能，智能控制，机器人柔顺控制，分数阶控制，自适应反步，产业机器人，电力检测机器人，海洋机器人，进化计算，移动机器人定位导航，位姿估计，轮式机器人，仿生足式机器人，机器人感知，语义分割，深度学习，机器视觉，工业机器人，移动机器人，机器人模仿学习，控制算法设计，多模态智能等。
我们专注自动驾驶和机器人等前沿领域，提供选题创新性评估、实验设计、论文写作与顶级会议/期刊投稿指导。团队源自全球顶尖实验室及企业研究院，强化创新点与工程实现，不仅保证论文产出，更传授科研思维与方法，助你掌握独立发表高水平论文的能力。提供专利挖掘、技术交底书撰写、国内外专利申请（发明专利/实用新型）全流程服务。结合产业需求，强化权利要求的保护范围与商业价值，助力成果转化与竞争力提升。
