FogDrive是一個全新的多模態合成自動駕駛資料集，旨在系統性地評估自動駕駛系統在分級霧天條件下的感知能力。該資料集由Vansh Panwar等人提出，基於CARLA模擬器構建，包含660個精心設計的場景，總計約13.3萬幀完全標註的幀，白天和夜晚各佔一半。資料集配備了四個同步的攝像頭（RGB、深度和語義分割）、一對雷射雷達和語義雷射雷達，以及一個前向雷達，提供了豐富的多模態資料。
與現有的真實世界和合成資料集不同，FogDrive在霧的建模上追求物理一致性。對於攝像頭通道，使用科施米德模型模擬霧對光線的衰減；對於雷射雷達通道，則採用比爾-朗伯定律模擬雷射束在霧中的衰減。霧的濃度被校準為三種能見度級別：160米、100米和50米。每個場景都有四個匹配的變體：無霧以及三個霧級別，並且所有變體都配有跨校準的2D和3D邊界框。這種“清潔-霧”配對結構使得研究者能夠直接評估“去霧-檢測”流水線的效能。
為了確保標註質量，研究團隊對8千幀進行了基於語義分割的質量審計。結果顯示，標註的精度達到95.1%，對於40米內的車輛，召回率超過99%。這證明了資料集的準確性和可靠性。
在基線實驗中，研究人員使用最先進的架構（如TransFusion、BEVFusion和YOLOv8-m）在兩種正規化下建立了基準：3D多模態融合和2D影像恢復。關鍵的發現包括：在訓練過程中混合多種霧密度可以收緊3D邊界框的幾何形狀，而不增加資料擴充套件成本；而在2D流水線中，影像質量指標（如PSNR和SSIM）無法有效預測下游檢測效能。這些發現強調了資料工程在魯棒機器學習中的重要性。
FogDrive將完全開源，包括資料生成框架，以加速多模態感知研究在惡劣天氣下的進展。該資料集為自動駕駛社群提供了一個寶貴的資源，用於開發和測試在霧天條件下的魯棒感知演算法。