第十届全国激光雷达大会点云数据智能解析比赛规则

一、简介

随着国家新型基础设施与数字中国建设的深入推进，面向真实物理世界的空间智能已成为人工智能与三维空间技术交叉融合的核心前沿。以激光雷达点云为代表的三维空间数据，凭借其高精度、强几何表征及丰富的空间拓扑细节，为复杂场景下的目标识别、三维重建、语义理解与智能决策提供了关键支撑，是智慧城市、自动驾驶、生态监测及基础设施运维等领域不可或缺的数据底座。本届比赛围绕点云处理与三维场景智能理解，设置点云配准、激光SLAM、三维建模、语义分割、树木建模、道路场景理解等赛道，既聚焦三维空间感知与理解的关键技术问题，也面向森林资源调查、智慧城市构建、道路交通管理等实际应用需求。通过本届比赛，旨在汇聚点云处理、三维视觉、遥感测绘、人工智能和行业应用等领域的研究人员与工程技术人员，构建开放、公平、可量化的算法评测平台，推动点云数据处理关键技术突破与成果转化应用，进一步提升三维空间智能感知、复杂场景理解和行业数字化应用能力。

二、大赛组织

（一）主要组织者

王瑞胜：深圳大学建筑与城市规划学院，教授。研究方向包括摄影测量计算机视觉与遥感，三维点云处理及大规模三维城市建模等。

汤圣君：深圳大学智慧城市研究院，副教授。研究方向包括三维场景感知理解、地理空间信息、具身智能等。

（二）协办人员

史博航：深圳大学智慧城市研究院博士研究生。研究方向三维计算机视觉、三维场景理解。

罗婷丹：深圳大学建筑与城市规划学院硕士研究生。研究方向树木重建，单木枝叶分离。

三、赛程安排

（一）参赛报名（自该通知发布后至北京时间2026年9月20日23:59）

参赛者可以以个人或团队名义参赛，在会议网站（http://www.lidar2026shenzhen.com）下载比赛报名表（见附件1），填写相关信息并发送至大赛指定邮箱（lidar2026@126.com），待收到确认邮件（含数据下载链接）回复后即可确认报名成功。

（二）提交截止时间（北京时间2026年9月20日23:59）

各参赛团队根据所选赛道，依托大赛组委会所提供的比赛数据进行高效算法或后处理方法设计，根据相应赛道要求提交比赛结果。

（三）结果公布时间（2026年9月23日）

比赛结果提交后，比赛组委会将使用自动化程序进行结果评估并组织专家对最终结果进行评审，公布最终获奖名单。

四、赛道规则

（一）赛道一：森林场景机载-地基激光雷达点云配准

1、任务描述

本赛道面向复杂森林环境下跨平台点云自动配准问题，要求参赛者针对同一森林样地的无人机激光雷达扫描（ULS）与地面激光雷达扫描（TLS）点云，开发无需人工选点的自动配准算法，估计将 TLS 点云转换至 ULS 坐标系下的三维刚体变换矩阵。

比赛重点考察算法在视角差异、点密度差异、树冠遮挡、地形起伏以及树干/树冠重叠比例不均等复杂条件下的配准精度与鲁棒性。参赛者可采用传统几何特征、单木位置/树冠特征、深度学习或多策略融合方法，最终需为每个测试样地输出一个 4×4 变换矩阵。

本赛道旨在推动森林场景 ULS-TLS 点云无靶标、跨平台、低重叠、非结构化环境下的自动配准算法研究，并构建可复现、可量化的统一评测基准。

2、数据集介绍

ULS-TLS Forest Registration Benchmark（ForestReg）是面向复杂森林场景的多源点云配准基准数据集。其ULS与TLS数据分别由机载RIEGL mini VUX-1与地面RIEGL VZ-1000激光扫描仪获取。数据集涵盖7个区域的17个森林样地，覆盖多种典型树种（柳树、杨树、桉树、杉树、高山松、云南松、樟子松等）及复杂地形与林分密度。每个样地均提供ULS/TLS点云文件（.las格式）及经人工核验的4×4配准真值矩阵，并附带面积、坡度、重叠率等详尽元数据，据此科学划分为低、中、高三个难度等级，以全面评估算法鲁棒性。

本赛道将全部17个样地均作为评测测试集，不划分训练集或开发集。参赛队伍可利用外部或开源数据进行算法开发，但严禁直接使用本数据集的真值矩阵或人工选点结果构造答案，以保障评测公平。此外，参赛者在论文、报告或公开展示中使用该数据集时，须严格规范引用其官方学术论文。

数据地址：https://huggingface.co/datasets/lewisciro66/ForestReg

引用要求：Liu W, Nie S, Xia S, et al. Benchmarking ULS-TLS point cloud registration algorithms in forest environments[J]. IEEE Transactions on Geoscience and Remote Sensing, 2025.

3、评估指标

4、操作说明

（1）报名后，参赛队伍通过Hugging Face数据集页面或大会统一数据下载入口获取竞赛专用测试数据包。本赛道不设置训练集/开发集，全部17个样地（S01–S17）均用于线上测试；数据包包含ULS/TLS点云和必要元数据，评测真值由赛道组保留用于统一评分。

（2）参赛者可基于公开资料、自有数据、开源数据或既有算法完成方法开发、参数设置和本地验证。不得人工选取测试样地对应点，不得直接使用任何等价人工标定结果提交答案。

（3）对每个样地，参赛者需估计TLS到ULS的4×4齐次变换矩阵T_TLS_to_ULS，并按规定文件名保存为文本文件。建议在提交前用开发集自检矩阵方向、单位和文件格式。

（4）参赛队伍将结果压缩为单个zip文件，提交您的结果至指定评测网站（https://lewisciro66-forestreg-eval.hf.space/），网站将对您的提交进行自动评估，并实时展示评估结果。

5、提交方式

参赛者仅需提交一个 CSV 文件，建议命名为 submission.csv。文件必须包含表头和17 行样地结果，样地编号为 S01–S17。每行由 id 字段和按行优先顺序展开的 16 个 4×4 齐次变换矩阵字段组成。无需提交点云、模型权重、程序或压缩包。建议直接下载平台提供的 sample_submission.csv 模板，仅替换 16 个矩阵字段，不要修改表头。

CSV 示例：

提交文件字段说明：

常见错误：

1. 将矩阵方向写成 T_ULS_to_TLS，而非要求的 T_TLS_to_ULS。

2. CSV 保存时额外写入行索引列，或自行修改表头、字段顺序。

赛道牵头人：

聂胜：中国科学院空天信息创新研究院，副研究员。研究方向包括激光雷达遥感（激光雷达遥感机理模型、数据定量化处理技术、地表三维信息反演算法及应用等）。

赛道协办：

刘王军：中国科学院空天信息创新研究院博士研究生。研究方向为激光雷达遥感。

如有疑问，请发邮件咨询：liuwangjun23@mails.ucas.ac.cn

（二）赛道二：多传感器融合SLAM赛道

1、任务描述

本赛道面向复杂环境中的高精度定位与三维建图需求，要求参赛者利用组织方提供的多传感数据，开发鲁棒、可复现的SLAM算法，估计机器人的连续位姿轨迹。

（1）激光惯性 SLAM：综合利用激光雷达点云与 IMU 数据完成定位建图。

（2）激光-图像-惯性 SLAM：在激光雷达与 IMU 的基础上进一步融合双目鱼眼图像，提升复杂环境下的定位稳定性。

比赛重点考察算法在复杂条件下的定位精度、鲁棒性与工程可复现性，鼓励参赛者探索多传感器融合、回环检测和全局优化等方法。

2、数据集介绍

本赛道采用 Multi-Sensor LiDAR SLAM Challenge Dataset。数据下载、标定说明及技术注意事项请查看赛道 GitHub 仓库：https://github.com/DCSI2022/LiDAR-SLAM-Challenge-2026

数据由移动测量平台采集，以 ROS1 bag 形式发布。比赛数据包含两个实际场景，涵盖开阔区域、建筑周边、遮挡和重复结构等典型环境因素，用于检验算法在不同条件下的稳定性。

每个场景均提供激光雷达点云、IMU 和双目鱼眼图像，参赛者可根据所参加的子赛道选择相应传感器数据。

组织方同步提供标定文件、数据读取说明和必要的时间信息，便于参赛队伍完成多传感器数据处理与算法验证。

赛道真值由组织方保留，仅用于统一评测，公开数据中不包含真值轨迹。

比赛数据仅限本次比赛和相关研究使用，未经组织方许可不得传播、公开上传或商用。

数据地址：https://github.com/DCSI2022/LiDAR-SLAM-Challenge-2026

3、评估指标

4、操作说明

报名与结果提交截止时间为北京时间 2026-09-20 23:59，结果于 2026-09-23 公布。参赛流程如下：

（1）在大赛官网下载报名表，填写后发送至 lidar2026@126.com；收到组委会确认通知后报名成功。

（2）通过赛道 GitHub 仓库获取比赛数据、标定文件和使用说明，完成算法开发、参数调试和本地验证。使用公开数据、模型或开源代码时，应在提交说明中注明来源。

（3）使用最终算法处理两个场景，生成对应的位姿轨迹，并按照仓库说明检查提交内容和轨迹格式。

（4）从 GitHub 仓库进入对应子赛道的 Codabench 页面，在线提交结果并查看评测成绩与排行榜。参加两个子赛道时，需分别提交。

5、提交方式

每个子赛道单独提交一个 ZIP 文件，提交内容包括队伍说明和两个场景的轨迹结果。队伍说明应简要介绍参赛成员、方法思路、运行环境及外部资源使用情况；轨迹结果采用统一格式，用于组织方自动评测。具体目录结构、轨迹格式和校验方法请查看赛道 GitHub 仓库。

详细规则与提交说明：https://github.com/DCSI2022/LiDAR-SLAM-Challenge-2026

提交文件字段说明：

赛道牵头人：

陈驰：武汉大学测绘遥感信息工程全国重点实验室，教授。研究方向包括智能无人系统感知、定位、导航与建图（SLAM）关键技术及装备研制等。

赛道协办：

闫涛：武汉大学测绘遥感信息工程全国重点实验室博士研究生。研究方向为多传感器融合、SLAM，三维重建。

徐宇航：武汉大学测绘遥感信息工程全国重点实验室博士研究生。研究方向为无人自主测绘。

如有疑问，请发邮件咨询：yuhangxu@whu.edu.cn

（三）赛道三：LoD2建筑物三维重建

1、任务描述

LOD2建筑物三维重建挑战赛旨在推动面向真实城市数字孪生场景的三维建筑重建技术发展。该挑战赛应用BuildingWorld数据集，参赛者需要根据输入的建筑点云数据，自动重建具有几何完整性和拓扑一致性的LOD2（Level of Detail 2）建筑模型。

与传统仅关注建筑轮廓恢复的方法不同，本挑战赛更加关注模型的整体几何质量、建筑结构表达以及跨区域泛化能力。参赛算法应能够从不同采集条件、不同建筑风格及不同城市区域的点云数据中，准确恢复建筑屋顶结构、建筑轮廓及整体几何形态，生成符合 LOD2 标准的轻量化三维建筑模型。

2、数据集介绍

BuildingWorld 是一个面向三维建筑重建与生成的大规模建筑数据集，旨在为三维建筑重建、数字孪生、计算机视觉和计算机图形学等领域提供统一的数据基础。

该数据集来源于全球多个国家和地区公开发布的三维建筑数据，主要包括政府开放数据平台、城市数字孪生平台和公开测绘数据等。所有数据均来自合法公开数据源，并经过统一规范的预处理、格式转换和质量检查。目前，BuildingWorld 覆盖 44 个城市，包含约 500 万栋建筑，涵盖住宅、商业建筑、工业建筑和公共建筑等多种类型，具有丰富的建筑风格、屋顶结构和城市形态，可用于验证算法在不同区域、不同建筑类型和不同城市环境下的泛化能力。

在点云数据方面，BuildingWorld 官方通过仿真的机载激光雷达生成对应建筑物的点云数据，并构建点云—网格配对数据，为监督学习方法训练和统一评测提供数据支撑。

数据地址：https://huggingface.co/datasets/BuildingWorld/BuildingWorld。

测试集下载平台为：https://huggingface.co/BuildingWorld。

引用要求：Huang S, Wang R, Wang X. Buildingworld: A structured 3d building dataset for urban foundation models[C]//Proceedings of the AAAI Conference on Artificial Intelligence. 2026, 40(7): 5085-5094.

3、评估指标

4、操作说明

（1）获取数据：hugging face平台申请训练数据和测试数据（https://huggingface.co/BuildingWorld）

（2）训练/预测：模型以训练数据为输入，输出极简的LoD2建筑物mesh模型

（3）提交结果：https://huggingface.co/BuildingWorld

（4）查看评测结果：https://huggingface.co/BuildingWorld

5、提交方式

根据https://huggingface.co/BuildingWorld的提交指导和注意事项，将预测结果进行打包为zip，并上传到测试平台。空闲时，测试时常为30～60分钟。

zip文件的内容应按如下方式组织：

赛道牵头人：

王瑞胜：深圳大学建筑与城市规划学院，教授。研究方向包括摄影测量计算机视觉与遥感，三维点云处理及大规模三维城市建模等。

赛道协办：

黄尚锋：卡尔加里大学博士，研究方向为点云分析、三维建筑物模型重建。

刘育俊：深圳大学建筑与城市规划学院博士研究生。研究方向为三维重建、三维场景理解。

如有疑问，请发邮件咨询：shangfeng.huang@ucalgary.ca

（四）赛道四：建筑物立面点云语义/实例分割

1、任务描述

参赛者需基于 City-Facade 城市建筑立面点云数据集，开发面向真实城市建筑立面的三维点云语义分割与实例分割算法。任务要求参赛队伍对测试集中每个点预测其语义类别，并进一步区分同一语义类别下不同建筑立面构件的实例编号。

本赛道重点关注城市道路两侧建筑立面中的精细结构要素识别，包括墙面、窗户、门、屋顶、广告牌、空调外机、雨棚、阳台等典型建筑立面部件。相比一般城市点云语义分割，建筑立面点云具有类别细粒度高、构件尺度差异明显、小目标数量多、类别分布不均衡、遮挡与采样密度变化显著等特点，对模型的局部几何表达能力、长尾类别识别能力和跨场景泛化能力提出了更高要求。

本赛道希望推动面向城市级建筑立面点云的智能解析算法研究，为数字孪生城市、建筑信息模型构建与城市空间治理等应用提供技术支撑。

2、数据集介绍

City-Facade 是面向城市级建筑物立面精细理解的大规模三维点云数据集。该数据由车载移动激光扫描系统采集，覆盖厦门市6类典型城市街区场景，累计扫描道路约60公里，原始点云规模达2亿点。数据集专为建筑立面的语义分割与实例分割任务构建，提供了细粒度的双重标注信息（语义级与实例级）。其语义标签共划分为9个类别，涵盖墙面、窗户、门、屋顶、广告牌及空调外机等典型立面要素。关于完整的类别编号定义与数据集详细参数，请前往“数据地址”中查阅。

数据地址：https://github.com/Ting-Devin-Han/City-Facade

引用要求：Chen Y, Li J, Han T, et al. City-Facade: A city-level large-scale point cloud building facade dataset for semantic & instance segmentation[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2026, 232: 675-688.

3、评估指标

4、操作说明

填写要求：用编号步骤说明参赛者如何报名、获取数据、训练/预测、提交结果、查看评测结果。

（1）在训练数据集上开发3D语义、实例分割模型。

（2）使用优化的模型预测测试数据集结果。

（3）提交您的结果至指定网站（https://www.codabench.org/competitions/17265/），网站将对您的提交进行自动评估，并实时展示评估结果。

5、提交方式

参赛者需为测试集每个点提供语义标签/实例标签，并提交单个 zip 文件。

zip文件的内容应按如下方式组织：

提交文件字段说明：

赛道牵头人：

陈一平：中山大学遥感科学与技术学院，教授。研究方向包括激光雷达遥感、智能三维点云处理、点云大模型、遥感图像处理等。

赛道协办：

罗阳：中山大学遥感科学与技术学院博士研究生。研究方向为三维场景理解，三维重建。

韩汀：中山大学遥感科学与技术学院博士研究生。研究方向为城市三维空间智能。

关建龙：中山大学遥感科学与技术学院博士研究生。研究方向为三维点云理解，生态空间智能。

黄晓彬：中山大学遥感科学与技术学院硕士研究生。研究方向为三维场景生成。

如有疑问，请发邮件咨询：luoy583@mail2.sysu.edu.cn

（五）赛道五：城市树木点云建模

1、任务描述

本赛道面向单木激光雷达点云的自动化三维结构重建问题。参赛者需要根据赛道组提供的单株树木点云，开发无需人工干预的树木结构重建算法，并针对每株树木输出：

1. 描述树干、树枝空间位置及分枝结构的树木骨架模型；

2. 描述树干和树枝外部几何形态的三维 Mesh 模型。

比赛重点考察算法从复杂单木点云中恢复树木几何结构的能力，包括树干与树枝的骨架提取精度，以及三维表面模型与真实树木结构之间的几何一致性。

参赛者可采用几何建模、骨架收缩、图结构优化、参数化建模、深度学习、生成式模型或多策略融合等方法。赛道组将分别计算预测骨架的几何误差和预测三维模型的几何误差，并根据两项误差的综合结果进行排名。

本赛道旨在推动激光雷达点云在树木结构参数提取、森林数字孪生、植物表型分析、生物量估算和生态环境模拟等领域的技术发展，构建统一、可复现、可量化的单木三维重建评测基准。

2、数据集介绍

本赛道提供由激光雷达采集的单株树木三维点云数据。数据涵盖不同树木形态、分枝复杂程度和点云密度，旨在检验参赛算法对复杂树木结构的骨架提取与三维模型重建能力。

数据集共包含23株树木：

验证集（3株）：包含输入点云及完整的真值（GT）数据（骨架、三维Mesh模型、参考点云），用于算法开发、调试、格式检查与本地评估。

测试集（20株）：仅提供输入点云，隐藏所有真值数据，并由赛道组统一保管，用于正式评测。

参赛者可以使用公开数据集、自有/合成数据、开源代码及预训练模型，但若使用外部资源，须说明其名称、来源及具体使用方式。参赛者需保证输出结果与输入点云的空间一致性，不得进行任何不一致的平移、旋转、缩放或单位转换。

关于数据集的详细说明与获取方式，请参阅赛道官方数据主页。

数据地址：https://www.codabench.org/competitions/17522/

引用要求：

Tang S, Ao Z, Li Y, et al. TreeNet3D: A large scale tree benchmark for 3D tree modeling, carbon storage estimation and tree segmentation[J]. International journal of applied earth observation and geoinformation, 2024, 130: 103903.

3、评估指标

4、操作说明

（1）报名后，参赛队伍通过大会统一数据下载入口获取竞赛数据。数据包包括验证数据集、测试数据集和输出样例。

（2）参赛者可利用验证数据集、公开数据、自有数据或合成数据完成算法开发、参数设置和本地验证。允许使用开源代码和预训练模型，但应遵守相关许可证，并在技术报告中注明。

（3）参赛者需要对测试数据集中的20株树木分别进行自动重建，并为每株树木输出骨架文件和三维模型文件。

（4）输出结果必须保留输入点云原有的坐标系、方向、尺度和长度单位，不得进行未恢复的平移、旋转、镜像或缩放。

（5）参赛者完成全部测试树木重建后，应严格按照输出样例组织文件，将结果压缩为一个ZIP文件并上传至大会指定评测平台。

（6）提交您的结果至指定网站（https://www.codabench.org/competitions/17522/），网站将对您的提交进行自动评估，并实时展示评估结果。

5、提交方式

参赛者需要为全部20株测试树木分别提交骨架文件和Mesh文件，并统一打包为submission.zip。zip文件的内容应按如下方式组织：

提交包内容组织格式示意图（具体细节请参考评测网站）：

赛道牵头人：

汤圣君：深圳大学智慧城市研究院，副教授。研究方向包括三维场景感知理解、地理空间信息、具身智能等。

赛道协办：

史博航：深圳大学智慧城市研究院博士研究生。研究方向三维计算机视觉、三维场景理解。

罗婷丹：深圳大学建筑与城市规划学院硕士研究生。研究方向树木重建，单木枝叶分离。

如有疑问，请发邮件咨询：2550112008@mails.szu.edu.cn

（六）赛道六：城市道路场景单木分割与树种分类

1、任务描述

本赛道面向城市行道树清查中的两项关键任务——单木分割和树种分类。赛道提供移动测量系统采集的多源异构数据，包括高精度的车载激光雷达点云数据以及高分辨率的街景影像数据。参赛者需根据给定的训练数据，开发自动化处理算法，实现对道路两侧行道树的精准单木分割及树种级别的细粒度分类。

单木分割要求算法能够从密集的点云或影像中准确剥离出每一株独立的树木实例，重点解决道路环境下建筑、车辆等非植被背景干扰及树冠遮挡粘连等问题；而树种分类则要求进一步挖掘树木的几何结构特征与纹理光谱信息，实现对18个具体树种以及others类别（共19类）的自动识别与归类。输入数据可以是给定数据模态的任一或组合，输出点云结果，算法类型不限。

2、数据集介绍

本赛道基于WHU-STree数据集。该数据集整合了两座分属不同气候区的城市的车载点云和街景影像数据，覆盖道路约66公里，包含21007个树实例，涵盖50多个丰富的树木类别以及2种形态参数（树高和胸径）。数据集跨城市覆盖、丰富标注、多模态数据的特点，使其能够支撑多种相关行道树研究，包括单木分割、树种分类、单目/多目形态参数估计等，详见数据地址。

赛道实际使用的数据为WHU-STree-NJ子集的训练和测试数据；原始数据集包含50多个树种类别，考虑比赛任务规模和类别分布均衡性，本赛道选取前18个主要树种，并设置others类别，共19类用于树种分类任务。参赛者使用训练数据时可自行将不分类树种标签映射到others类。

数据地址：https://github.com/WHU-USI3DV/WHU-STree

引用要求：

DING R, CHEN Z, FAN W, et al. WHU-STree: A multi-modal benchmark dataset for street tree inventory[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2026, 233: 519-542.

3、评估指标

填写要求：明确主排名指标、辅助指标、排序规则、并列名次处理方式。建议以线上评测结果为最终排名依据。

4、操作说明

（1）在网站（https://github.com/WHU-USI3DV/WHU-STree）获取数据集下载链接；

（2）参赛者需要在WHU-STree-NJ训练数据集上完成的开发工作，对于训练集中未参与分类的树种类别，参赛者可根据需求映射至others类别；

（3）参赛者需要在WHU-STree-NJ测试数据集上进行推理，并按照指定提交方式组织结果；

（4）提交您的结果至指定网站（https://www.codabench.org/competitions/17616/），网站将对您的提交进行自动评估，并实时展示评估结果。

（5）特别提醒，严禁参赛者在算法开发过程中使用测试集已公开的真值文件，一经发现、成绩取消。

5、提交方式

在本任务中，参赛者必须为数据集测试集的每个点提供实例ID和树种标签。因此，所有评估方法的输入是点云或点云+影像，且赛会鼓励多模态算法的开发。为方便参赛者开发多模态方法，赛会提供了校正后的点图配准参数文件，可在数据官网下载并使用，详见数据官网。

之后，每种方法都应为每个点输出一组实例和树种标签，用于最终的性能评估；如果是分步完成分割和分类，需将树种结果统一到点云中。您必须提供包含标签的单个zip文件。

zip文件的内容应按如下方式组织：

提交文件字段说明：

赛道牵头人：

董震：武汉大学测绘遥感信息工程全国重点实验室，教授。研究方向包括三维重建、场景理解、点云处理等。

赛道协办：

丁瑞飞：武汉大学测绘遥感信息工程全国重点实验室博士研究生。研究方向为三维计算机视觉及其在城市林业管理中的应用。

如有疑问，请发邮件咨询：dingrf@whu.edu.cn

（七）赛道七：可见光图像-热红外图像辅助的车载激光点云语义分割赛道

1、任务描述

参赛者需开发基于多模态数据（激光雷达点云、可见光图像、热红外图像）的道路场景车载激光点云语义分割算法。

本赛道重点解决以下技术挑战：

（1）复杂光照条件挑战：在夜间、逆光等可见光图像退化场景下，如何有效融合热红外图像提供的热辐射信息，实现对道路目标的准确三维语义分割。

（2）多模态异构数据融合：如何处理传感器投影误差、多传感器之间视场角（FoV）不一致、空间分辨率不匹配、像素级空间不对齐等跨模态融合挑战。

（3）模态差距弥合与互补性利用：如何克服模态差距大的挑战，充分利用可见光图像的纹理颜色信息、热红外图像的热辐射信息、激光点云的三维几何信息。

赛道关注城市和乡村道路场景中的18个语义类别，详见数据集介绍。

2、数据集介绍

本赛道采用 RTPSeg：可见光图像与热红外图像联合辅助的车载激光点云语义分割数据集。RTPSeg采用自主设计的多传感器集成平台进行同步数据采集，平台搭载RGB相机、热红外相机、激光雷达和IMU。RTPSeg采集于中国深圳市，总采集路线约22公里，涵盖城市区域和乡村区域，包含白天和夜间两种光照条件，关注城市和乡村道路场景中的18个语义类别。数据集采用混合场景方案（训练集94个序列，序列1-14, 15-58, 63-98 ；测试集9个序列，序列59-62, 99-103）进行数据划分，训练集与测试集样本数量比例约为10:1。

数据地址： https://github.com/sssssyf/RTPSeg。

引用要求：Yifan Sun, Chenguang Dai, Wenke Li, Xinpu Liu, Yongqi Sun, Ye Zhang, Weijun Guan, Yongsheng Zhang, Yulan Guo, Hanyun Wang. "RTPSeg: A multi-modality dataset for LiDAR point cloud semantic segmentation assisted with RGB-thermal images in autonomous driving." ISPRS Journal of Photogrammetry and Remote Sensing, 233, pp. 25-38, 2026.

3、评估指标

4、操作说明

（1）参赛者通过访问RTPSeg官方GitHub仓库（https://github.com/sssssyf/RTPSeg）下载完整数据集。解压后，训练数据和测试文件包含点云文件（.bin格式）、RGB图像（1920x1080）、TIR图像（1280x1024）及对应的逐点语义标注文件。数据集已按序列预先划分好训练集和测试集（详见数据集介绍中的评测方案）。须注意，各参赛队伍在模型训练过程中不得使用测试集逐点语义标注文件，一经发现，取消成绩。

（2）参赛者需在提供的训练数据集上开发点云语义分割模型。模型设计不限制模态使用方式：参赛者可选择LiDAR-only方法（仅使用点云数据），也可选择LiDAR-Camera融合、LiDAR-Thermal融合或LiDAR-Camera-Thermal三模态融合方法。鼓励参赛者探索如何有效融合RGB图像的纹理颜色信息与TIR图像的热辐射信息，特别关注在夜间、逆光等RGB图像退化场景下的分割精度提升。

（3）参赛者使用训练好的模型对测试集每个场景的点云数据进行推理，生成每个点的语义类别预测标签（0-18的整数）。预测结果需保存为.npy格式文件，文件名与测试点云场景编号一致，点云顺序不得更改。

（4）提交您的结果至指定网站（https://www.codabench.org/competitions/17241/），网站将对您的提交进行自动评估，并实时展示评估结果。

5、提交方式

参赛者需为测试集的每个点提供语义类别标签，并提交单个zip压缩文件。每个测试点云场景对应一个.npy文件，文件命名需与测试点云编号严格一致。预测结果为Nx1的uint8数组（或shape为[N,]的一维数组），N为场景点数，数组值表示每个点的语义类别编号（0-18，共18个类别；注意类别0 "other"在基线模型训练中被忽略，但参赛者需在提交结果中对该类别进行预测）。点云顺序必须与原始测试数据中的顺序完全一致。拟获奖的参赛队伍需要提供比赛模型代码文件和模型说明文档，用于结果复现验证和专家评审，确保比赛的公平性和有效性。

zip文件的内容应按如下方式组织：