DAIR-V2X车路协同自动驾驶框架完整使用指南

2026-02-07 04:15:07作者：裴锟轩Denise

项目概述

DAIR-V2X是由清华大学智能产业研究院开发的开源车路协同自动驾驶框架，为研究人员提供完整的数据集、算法实现和评估工具链。该项目包含71,254帧图像和点云数据，支持车辆端与路侧端的协同感知，是自动驾驶领域的重要基础设施。

环境安装与配置

依赖包安装

项目基于mmdetection3d框架开发，需要安装以下核心依赖：

mmdetection3d==0.17.1
pypcd

首先按照官方指南安装mmdetection3d框架，确保版本为0.17.1。对于pypcd包，由于与Python3兼容性问题，需要手动安装修改版本：

git clone https://gitcode.com/gh_mirrors/da/DAIR-V2X
cd DAIR-V2X
python setup.py develop

数据集准备

下载DAIR-V2X-C数据集并按照以下结构组织：

cooperative-vehicle-infrastructure/
├── infrastructure-side/
│   ├── image/{id}.jpg
│   ├── velodyne/{id}.pcd
│   ├── calib/
│   │   ├── camera_intrinsic/{id}.json
│   │   ├── virtuallidar_to_world/{id}.json
│   │   └── virtuallidar_to_camera/{id}.json
│   ├── label/
│   │   ├── camera/{id}.json
│   │   └── virtuallidar/{id}.json
│   └── data_info.json
├── vehicle-side/
│   ├── image/{id}.jpg
│   ├── velodyne/{id}.pcd
│   ├── calib/
│   │   ├── camera_intrinsic/{id}.json
│   │   ├── lidar_to_camera/{id}.json
│   │   ├── lidar_to_novatel/{id}.json
│   │   └── novatel_to_world/{id}.json
│   ├── label/
│   │   ├── camera/{id}.json
│   │   └── lidar/{id}.json
│   └── data_info.json
└── cooperative/
    ├── label_world/{id}.json
    └── data_info.json

创建数据集符号链接：

cd ${dair-v2x_root}/dair-v2x
mkdir ./data/DAIR-V2X
ln -s ${DAIR-V2X-C_DATASET_ROOT}/cooperative-vehicle-infrastructure ./data/DAIR-V2X

系统架构与部署

该架构图展示了完整的车路协同系统部署方案：

图(a)：路口硬件部署，包含摄像头、激光雷达、路侧单元等设备，实现全方位环境感知
图(b)：自动驾驶车辆硬件架构，集成多种传感器和计算单元
图(c)：激光雷达点云数据处理流程
图(d)：多传感器数据融合结果展示

模型检查点准备

下载预训练模型检查点并放置在指定目录：

configs/vic3d/late-fusion-pointcloud/pointpillars/
├── trainval_config_i.py
├── vic3d_latefusion_inf_pointpillars_596784ad6127866fcfb286301757c949.pth
├── trainval_config_v.py
└── vic3d_latefusion_veh_pointpillars_a70fa05506bf3075583454f58b28177f.pth

模型评估实战

基础评估命令

使用以下命令进行晚期融合点云模型的评估：

cd ${dair_v2x_root}
cd v2x
bash scripts/eval_lidar_late_fusion_pointpillars.sh 0 late_fusion 2 0 100

详细评估配置

或者使用完整的Python命令进行更精细的控制：

rm -r ./cache
cd v2x

DATA="../data/DAIR-V2X/cooperative-vehicle-infrastructure"
OUTPUT="../cache/vic-late-lidar"
rm -r $OUTPUT
rm -r ../cache
mkdir -p $OUTPUT/result
mkdir -p $OUTPUT/inf/lidar
mkdir -p $OUTPUT/veh/lidar

python eval.py \
  --input $DATA \
  --output $OUTPUT \
  --model late_fusion \
  --dataset vic-async \
  --k 2 \
  --split val \
  --split-data-path ../data/split_datas/cooperative-split-data.json \
  --inf-config-path ../configs/vic3d/late-fusion-pointcloud/pointpillars/trainval_config_i.py \
  --inf-model-path ../configs/vic3d/late-fusion-pointcloud/pointpillars/vic3d_latefusion_inf_pointpillars_596784ad6127866fcfb286301757c949.pth \
  --veh-config-path ../configs/vic3d/late-fusion-pointcloud/pointpillars/trainval_config_v.py \
  --veh-model-path ../configs/vic3d/late-fusion-pointcloud/pointpillars/vic3d_latefusion_veh_pointpillars_a70fa05506bf3075583454f58b28177f.pth \
  --device 0 \
  --pred-class car \
  --sensortype lidar \
  --extended-range 0 -39.68 -3 100 39.68 1

关键参数说明

input：数据集根目录路径
output：预测结果输出目录
model：模型类型，可选veh_only、inf_only、late_fusion、early_fusion
dataset：数据集名称，可选dair-v2x-v、dair-v2x-i、vic-sync、vic-async
k：用于vic-async数据集的前帧数量
pred_class：评估的预测类别
sensortype：输入数据类型，可选lidar、camera、multimodality
extended-range：车辆中心坐标系下的感兴趣区域范围

基准结果复现

项目提供了多种模态和融合策略的预训练模型检查点：

模态	融合策略	模型	数据集	详细说明
Image	VehOnly	ImvoxelNet	VIC-Sync	README
Image	InfOnly	ImvoxelNet	VIC-Sync	README
Pointcloud	VehOnly	PointPillars	VIC-Sync	README
Pointcloud	InfOnly	PointPillars	VIC-Sync	README
Pointcloud	Late-Fusion	PointPillars	VIC-Sync	README