PhoenixHu/doc_vla_nuplan_166k_json

nuPlan trainval no-CoT samples (166.3k)

AutoVLA 论文 Table S1 口径的 nuPlan 训练样本（166,282 个），no-CoT 格式，用于 SFT。

样本数	166,282
打包	170 MB（.tar.gz），解包后 1.3 GB
口径	全部 1,310 个 trainval log，frame_interval=4，scene_filter: null
对比	标准 navtrain split 是 103,288 个（1,192 个 log，frame_interval=1）

为什么 fi=4（跳更多帧）反而比 navtrain 的 fi=1 多？因为 navtrain 只用了 1310 个 log 里精选的 1192 个；166.3k 铺满全部 1310 个。跨更多 log 的收益 > 在少数 log 上密采样。

下载与解包

huggingface-cli download PhoenixHu/doc_vla_nuplan_166k_json --repo-type dataset --local-dir .
tar xzf trainval_nocot_166k.tar.gz     # -> trainval_nocot_166k/

🔴 必读一：这里【只有标注，没有图片】

每个 JSON 约 5.6 KB，存的是 token / 速度 / 加速度 / 导航指令 / GT 轨迹 / 历史轨迹， 外加 8 路相机的路径——不含像素：

"front_camera_paths": [
  "/scratch/.../sensor_blobs/trainval/2021.10.06.14.31.13_veh-28_00223_00350/CAM_F0/9c5d987a44955903.jpg",
  ... 共 4 帧
]

训练还需要 nuPlan/OpenScene 全量 trainval camera（解压后约 1.4 TB）， 从 OpenScene 官方下载 openscene_sensor_trainval_camera_{0..199}.tgz（200 个分片，约 1.31 TB）。 只有 NAVSIM navtrain 那份 446 GB 的话覆盖不全（只含 1192 个 log 的稀疏帧，约为全量的 37%）。

🔴 必读二：绝对路径需要改写

上面的 camera 路径是生成时那台机器的绝对路径（/scratch/mh2803/vla/nuplan/...）。 换机器必须批量改写，否则训练时全部找不到图：

NEW=/your/path/to/nuplan          # 里面应有 sensor_blobs/trainval/
grep -rl '/scratch/mh2803/vla/nuplan' trainval_nocot_166k/ \
  | xargs sed -i "s#/scratch/mh2803/vla/nuplan#${NEW}#g"

改完在训练 config 里设 sensor_data_path: null（因为 JSON 里已是绝对路径， 不能再拼前缀）。

⚠️ 没有划分 val

本仓库是完整的 166,282 个，未切验证集。注意不要用从 103k(navtrain) 划出来的 val（例如 navtrain_nocot_val）——它的 token 与本训练集重叠，会造成验证集泄漏。 请从本仓库内部另行划分。

相关

• 配套的 navtrain metric cache（PDM score / RL reward 用）： PhoenixHu/doc_vla_cache_train

许可

派生自 nuPlan / OpenScene， 请遵守其原始许可条款。本仓库仅含标注/索引 JSON，不含任何原始传感器像素数据。