Dataset Overview
The Road Is the Dataset.
AIR4D (AFI920)가 실제 도로에서 수집한 production-ready dataset. multi-sensor sync · 3D ground truth 포함 · 센서 제조사 직접 큐레이션.
01 — Coverage
Where, how long, and in what conditions.
다양한 지역·환경·기상·시간대를 가로지르는 실차 주행 기반 데이터셋. 모든 clip에 ODD(operational design domain) · scenario tag가 구조화되어 포함됩니다.
02 — Structure
Dataset structure & format.
Parquet 기반 데이터셋. clip 단위 self-contained metadata로, 자체 split 정책을 자유롭게 적용할 수 있습니다.
ride-dataset/ ├── DATASET_MANIFEST.json # dataset-wide index ├── LABELING_SCHEMA.json # label definitions (dataset-wide) └── <YYYYMMDD>/ └── <clip_id>/ # e.g. 20260526_drive01_clip001 (60s) ├── metadata/ │ ├── <clip_id>.calibration.parquet │ ├── <clip_id>.acquisition.parquet │ ├── <clip_id>.processing.parquet │ ├── <clip_id>.context.parquet # ODD · scenario tags │ ├── <clip_id>.egomotion.parquet │ └── <clip_id>.frame_index.parquet ├── sensors/ │ ├── camera/<sensor_id>/{frames.mp4, frames_timestamps.parquet} │ ├── lidar/<sensor_id>/<clip_id>.<sensor_id>.spins.parquet │ ├── radar/<sensor_id>/<clip_id>.<sensor_id>.scans.parquet │ ├── gnss_ins/<sensor_id>/<clip_id>.<sensor_id>.samples.parquet │ └── vehicle/<clip_id>.can.parquet ├── ground_truth/ │ ├── <clip_id>.objects.parquet │ ├── <clip_id>.road_elements.parquet │ └── <clip_id>.free_space.parquet └── <clip_id>.integrity.sha256
| Unit hierarchy | Clip (60 s 고정) → 멀티 센서 동기 frame |
| Self-contained | clip 내부에 metadata · sensors · ground truth가 모두 포함되어 외부 의존성 없이 단독 사용 가능 |
| Split policy | Role-neutral — train/val/test split을 강제하지 않아 고객이 자체 정책으로 자유롭게 분할 |
| Format | Parquet (Arrow) · MP4 (Camera) · JSON (manifest · labeling schema) · ZSTD lvl 3 · UTC epoch μs |
| Annotation | 3D bounding box · tracking ID · perception layers (object · lane · structure · freespace) |
| Time sync | PTP/gPTP hardware-level sync · pre-calibrated |
| Coordinate | base_link = lidar_top 지표면 · X 전방 / Y 좌측 / Z 상방 · meters · 오른손 좌표계 |
| License | Commercial evaluation license — 상세는 별도 안내 |
03 — Sensor Suite
Multi-modal sensor configuration.
360° 4D Imaging Radar 4기를 중심으로 LiDAR · Camera · GNSS/IMU를 함께 수집하는 11 장치 구성. 모든 센서가 동일 base_link 좌표계로 pre-calibrated되며, 전용 sync 인프라로 PTP/gPTP 정밀 동기됩니다.
Vehicle Platform — Hyundai Santa Fe TM · roof-rack sensor mount · 자체 onboard compute 탑재
| Type | Model | Qty · Position | Key Spec |
|---|---|---|---|
| 4D Imaging Radar | AFI920 (bitsensing) | × 4 · front · rear · left · right |
range · azimuth · elevation · velocity · 10 Hz · SR FOV 120° / LR FOV 60° Spec sheet ↗ |
| 3D LiDAR | Hesai OT128 | × 1 · top (center) | 360° spinning · 128 ch · 10 Hz · x · y · z · range · intensity |
| Camera | SG3S-ISX031C-GMSL2F (SENSING) | × 5 · front · sides · rear | 1920×1080 · 20 FPS · front stereo HFOV 60° × 2 + side/rear HFOV 120° × 3 |
| GNSS + INS | Novatel CPT7 | × 1 · front · rear antenna | RTK-grade GNSS · 100 Hz IMU · dual antenna · 본 데이터셋의 sync 기준 clock |
| Master clock | GNSS 기반 시간 신호 (저장 시점 UTC 변환) |
| Protocol | Camera · GNSS = PTP / LiDAR · Radar = gPTP |
| Sync infrastructure | 차량 내 전용 sync switch (PTP ↔ gPTP 변환) |
| Master ↔ sensor offset | ≤ 100 μs (Max ≤ 1,000 μs) — master clock과 각 센서 간 시간 오차 |
| Cross-sensor match | LiDAR ↔ Camera/Radar ±25 ms (Max ±50 ms) |
| Timestamp format | UTC Unix Epoch μs (int64) |
| Coordinate | base_link = lidar_top 지표면 · X 전방 / Y 좌측 / Z 상방 · meters · 오른손 좌표계 |
04 — Use Cases
What radar-native data unlocks.
4D Imaging Radar point cloud가 포함된 데이터셋만이 열어주는 연구 영역. world model · occupancy · end-to-end driving까지, camera·LiDAR 중심 연구에 radar-native 관측 계층을 더합니다.
Radar World Simulation
실제 4D Imaging Radar point cloud를 기반으로 long-tail scene generation · closed-loop rollout · counterfactual prediction을 연구합니다. camera·video 중심 world foundation model이 갖지 못한 radar-native 관측 계층을 더해, 악천후·저조도까지 포함한 시뮬레이션 충실도를 끌어올립니다.
Radar Occupancy & Mapping
LiDAR point cloud와 camera 기반 map을 ground truth(GT)·supervision으로 삼아, 4D Imaging Radar point cloud만으로 drivable space · occupancy · road boundary · BEV(bird's-eye-view) map을 예측하는 모델을 학습·검증합니다. LiDAR 중심이던 HD map 연구를 radar 기반으로 확장합니다.
Radar-aware End-to-End Driving AI
Radar point cloud에 CAN · GNSS/IMU egomotion을 정합해 E2E(end-to-end) driving · VLA(vision-language-action) · planning 모델 연구에 활용합니다. radar가 속도·거리 계측과 악천후 강건성 측면에서 driving action 예측에 기여하는 정도를 정량 평가합니다.