如您遇到赛题三相关问题，请联系：李思江 pkulsj@pku.edu.cn

（1）    赛题介绍

本赛题要求参赛队伍根据不同场景下的多车多路端若干帧对齐的多模态感知数据，包括激光雷达点云、RGB图像、深度图像，实现在异常数据条件下（特殊天气、数据缺失）的车辆的位姿估计。同时本赛题提供车路之间的射频信道信息，可基于无线定位的原理实现路端辅助车端的射频定位。

图1 十字路口车辆的定位建图结果、RGB图像、深度图像和LiDAR数据

图2 山区公路路端的信道CSI、RGB图像、深度图像和LiDAR数据

本赛题包含两类场景：十字路口与山区公路，考虑两种数据异常情形：特殊天气与数据缺失。每个场景中均包含多车多路端的数据，其中车路和车车存在轨迹交汇，可利用交汇期间的传感器数据进行位姿关联、协同优化算法设计，以达到增强定位性能的效果。

以下是本赛题任务输入输出的详细介绍。

任务输入：本赛题以不同场景为单位，每个场景下提供

1)   该场景的基本信息说明文档，包含场景示意图、全部目标车辆初始时刻的位姿、路端RSU的位姿。用于选手进行开发的数据额外提供目标车辆每个时刻的位姿。

2)   车端的多模态感知数据，即深度相机图像文件、RGB相机图像文件、激光雷达的点云文件。

3)   路端RSU的多模态感知数据以及通信的信道状态信息。

任务输出：全部目标车辆全部时刻的位姿估计结果，以‘car_目标车编号.txt’文件命名。如目标车1的结果文件命名为‘car1.txt’，文件存储的详细格式请到“活动报名”标签页查看。

本赛题所提供的数据集请到“资料下载--混合通信与多模态感知仿真数据集”标签页下载，在使用数据集前，请您阅读“资料下载--混合通信与多模态感知仿真数据集”标签页下关于数据集内容的详细说明。

（2）    参赛指南

我们使用加权的定位误差指标（ATE、RPE）作为评分标准，评分细则请见下方。

选手应以txt格式上传结果，细则请见“活动报名”标签页，请选手严格按照格式提交结果，否则无法参加测评！

请您遵守比赛规则，文明参赛！

请在测试结果提交截止时间之前提交您的结果！

（3）    评分标准

评估位姿估计精确度的指标为ATE（absolute trajectory error）与RPE（relative pose error），假设真值位姿第k帧的平移分量为,估计位姿第k帧的平移分量为,则公式如下：

其中， 代表第i个场景第j个轨迹的ATE， 代表所有轨迹ATE的算术平均值，代表第i个场景第j个轨迹的RPE，代表所有轨迹RPE的算术平均值。

选手在本赛题中的最终得分为所有测评场景中ATE与RPE的加权平均值：

其中，。

依据最终得分从低到高，对全部参赛选手排序。

（4）    选手须知

1)   所提交结果应与所提交代码运行结果相符，严禁造假，违者将被取消参与排名资格；

2)   应严格按照格式要求提交结果，格式不符者无法参与结果评测；

3)   请在截止日期前提交您的结果，过期提交将被视为无效！