在环卫作业智能化、精细化发展的浪潮中，人工智能技术正扮演着日益重要的角色。无论是智能清扫车的精准避障与路径规划，垃圾满溢检测系统的自动告警，还是环卫作业质量的智能评估，这些应用的落地与效能提升，都离不开一个至关重要的基础——高质量、场景化的训练数据。环卫 AI 训练数据的采集，已成为推动行业智慧转型的核心驱动力。
环卫场景数据采集：挑战重重
环卫环境复杂多变，为数据采集带来了独特挑战：
1. 环境复杂性： 作业区域涵盖城市主干道、背街小巷、公园广场、高架桥梁等多样地形；光照条件受天气、昼夜影响巨大；路面状况（积水、油污、落叶、积雪）复杂。
2. 目标多样性： 需识别垃圾种类（可回收物、其他垃圾、厨余垃圾、有害垃圾）、垃圾散落/堆积状态、各类环卫设施（垃圾桶、果皮箱、公厕、中转站）、作业车辆及人员、道路污染（尘土、油污、小广告）等多种目标。
3. 动态性与实时性： 垃圾产生、车辆位置、工人状态、设施状态时刻变化，要求数据能反映动态过程。
4. 隐私与伦理： 公共场所采集难免涉及行人与车辆，需严格处理人脸、车牌等敏感信息，确保合规。
5. 规模与成本： 覆盖广阔城市区域、不同时段、各种场景所需数据量巨大，高效低成本的采集方式是关键。
主流数据采集技术方案
为应对挑战，多种技术手段被集成应用于环卫数据采集：
1. 车载多传感器融合：
摄像头（主传感器）： 安装在清扫车、清运车、巡检车前后及两侧，采集高清图像与视频，覆盖道路、设施、垃圾、作业过程。广角、长焦、红外（夜间）摄像头满足不同需求。
激光雷达 (LiDAR)： 提供精确的3D点云数据，用于车辆精准定位、障碍物探测（尤其低矮或反光物体）、垃圾体积估算、地形建模。
毫米波雷达： 在雨雾、扬尘等恶劣天气下稳定工作，探测移动物体（行人、车辆）距离与速度，保障作业安全。
GPS/RTK/IMU： 提供高精度位置、速度、姿态信息，与视觉和LiDAR数据融合，实现精准时空同步与定位。
车载状态传感器： 监测扫盘压力、吸力、垃圾桶称重、油耗/电量等作业状态数据。
2. 固定监控点网络：
在垃圾中转站、重要公厕、易满
