Bench2Drive-Speeds CustomizedSpeedDataset

Bench2Drive-Speed的CustomizedSpeedDataset包含2,100个CARLA驾驶场景，带有专家演示和标注的超车/跟随命令。发布的数据集仅包括专家目标速度信号。

The CustomizedSpeedDataset of Bench2Drive-Speed contains 2,100 CARLA driving scenarios equipped with expert demonstrations and annotated overtaking/following commands. The released dataset only includes expert target speed signals.

原始信息汇总

Bench2Drive-Speed 数据集概述

数据集简介

Bench2Drive-Speed 是一个用于期望速度条件自动驾驶的闭环基准测试。它通过目标速度和超车/跟随命令，实现对车辆行为的显式控制。

核心特性

• 目标速度条件控制：支持通过目标速度控制驾驶行为。
• 超车/跟随命令：提供超车或跟随其他车辆的指令。
• 量化可控性指标：包含用于评估可控性的量化指标。
• 闭环评估基准：提供闭环评估框架。

数据集内容

• 数据规模：包含 2100 个 CARLA 驾驶场景。
• 数据内容：每个场景包含专家演示数据和标注的超车/跟随命令。
• 发布数据：发布的数据集仅包含专家目标速度信号。
• 虚拟目标速度：用户可通过提供的脚本，从 Bench2Drive 风格的驾驶数据集中生成虚拟目标速度。

数据获取与使用

• 下载地址：https://huggingface.co/datasets/rethinklab/Bench2Drive-Speed
• 注意事项：下载后需解压 tar.gz 压缩包。

评估与基准

• 评估脚本：提供完整的评估流程脚本，用于计算速度遵循度、驾驶分数、成功率、超车分数、多能力结果、驾驶效率和驾驶平顺性。
• 评估要求：评估路线需恰好包含 48 条路线，失败/崩溃状态也可接受。
• 基准结果：提供了基准测试的性能对比表格。

训练基线

• 基线模型：提供了 TCP-Speed 作为基线模型。
• 检查点下载：可下载预训练的基线检查点，避免从头训练。
• 训练方式：支持使用专家演示数据或虚拟目标速度数据进行训练。

许可证

所有资源和代码均遵循 CC-BY-NC-ND 许可证，除非另有说明。

引用

如需使用本数据集，请引用相关论文。

搜集汇总

数据集介绍

构建方式

在自动驾驶领域，数据集的构建往往需要精细的场景设计与专家标注。Bench2Drive-Speed数据集基于CARLA仿真平台，精心构建了2,100个驾驶场景，每个场景均包含专家演示数据以及超车/跟随指令的标注。该数据集通过虚拟目标速度生成脚本，允许研究者根据实际需求动态生成目标速度信号，从而为模型训练提供灵活且可控的数据支持。这种构建方式不仅确保了场景的多样性与真实性，也为后续的闭环评估奠定了坚实基础。

特点

该数据集的核心特点在于其引入了目标速度条件控制与超车/跟随指令，从而填补了端到端自动驾驶系统在显式可控性方面的空白。数据集提供了定量化的可控性度量指标，支持闭环评估基准，使得研究者能够精确衡量模型在指定速度与行为指令下的表现。此外，数据集结构清晰，与Huggingface平台集成，便于访问与使用，为自动驾驶算法的可控性研究提供了标准化且高效的实验环境。

使用方法

使用该数据集时，研究者首先需从Huggingface平台下载数据并解压归档文件。随后，可通过提供的Python脚本生成虚拟目标速度，并调整相关超参数以适应不同研究需求。在模型训练阶段，数据集支持基于专家演示或虚拟目标速度的两种训练模式，用户可参照基线训练脚本进行配置与执行。对于评估环节，数据集提供了完整的闭环评估流程与多种度量脚本，包括速度遵循度、驾驶分数、超车分数等，确保评估结果的全面性与准确性。

背景与挑战

背景概述

端到端自动驾驶系统在近年来取得了显著进展，但其行为决策往往缺乏对用户偏好的显式可控性，例如期望的行驶速度或超车跟随指令。为填补这一研究空白，上海交通大学ThinkLab实验室于2026年推出了Bench2Drive-Speed数据集。该数据集聚焦于速度条件化自动驾驶的核心研究问题，通过引入目标速度与超车/跟随命令，构建了一个包含2100个CARLA仿真场景的闭环评估基准。其创新性在于首次将用户驾驶偏好参数化为可量化的控制信号，为自动驾驶系统的个性化与可控性研究提供了重要基础设施，推动了人机协同驾驶范式的演进。

当前挑战

在自动驾驶领域，实现用户指定速度条件下的安全高效驾驶面临多重挑战。系统需在动态交通环境中精准响应速度指令，同时平衡通行效率、舒适性与安全性，避免因机械遵循指令而引发碰撞或违规。构建数据集时，研究者需在仿真环境中设计涵盖多样交通密度、道路结构与驾驶行为的场景，并生成兼具合理性与挑战性的专家演示数据。此外，标注虚拟目标速度信号需克服真实驾驶数据中速度偏好隐含性与主观性的难题，通过算法生成符合人类驾驶习惯且可泛化的速度轨迹，确保数据既能反映用户意图又具备工程实用性。

常用场景

经典使用场景

在端到端自动驾驶研究领域，Bench2Drive-Speed数据集为可控驾驶行为建模提供了关键支撑。该数据集通过整合目标速度和超车/跟随指令，使研究者能够在仿真环境中训练和评估模型对用户偏好的响应能力。经典使用场景包括开发条件化驾驶策略，模型依据实时输入的速度指令调整车辆行为，实现精准的速度控制与安全的超车决策，从而推动自动驾驶系统从被动执行向主动交互的演进。

衍生相关工作

围绕该数据集衍生的经典工作主要集中在条件化驾驶模型的创新上。例如，TCP-Speed基线模型率先实现了目标速度与驾驶策略的端到端耦合，为后续研究提供了性能标杆。此外，基于虚拟目标速度标注的扩展方法促进了数据高效利用，启发了多模态指令融合、元学习控制等研究方向。这些工作共同推动了可控自动驾驶从理论框架向工程实践的跨越。

数据集最近研究

最新研究方向

在端到端自动驾驶领域，系统性能虽已显著提升，但长期以来缺乏对用户偏好进行显式控制的能力，例如期望行驶速度与超车跟随决策。Bench2Drive-Speed数据集针对这一核心挑战，引入了目标速度条件与超车跟随指令，为可控自动驾驶研究开辟了新路径。当前前沿探索聚焦于如何将虚拟目标速度信号与专家示范数据深度融合，以增强模型在闭环评估中对多样化驾驶行为的泛化能力。相关研究正致力于优化速度依从性与超车评分的量化指标，推动自动驾驶系统在保证安全性的同时，更好地适应个性化驾驶风格，这一进展对提升智能车辆的人机交互体验与场景适应性具有深远意义。