RISEE Dataset

完整数据将在ITSC 2025发布。数据组织包括示例文件和完整数据，示例文件包括地图、高度交互场景的轨迹示例和眼动数据示例；完整数据包括地图、主观风险感知结果、TTC和DNDA数据、参与者与场景的对应关系、轨迹数据和眼动数据。

The full dataset will be released at ITSC 2025. The dataset collection is divided into two parts: sample files and the complete dataset. The sample files include maps, trajectory examples of highly interactive scenarios, and eye-tracking data examples; the complete dataset contains maps, subjective risk perception results, TTC and DNDA data, the correspondence between participants and scenarios, trajectory data, and eye-tracking data.

原始信息汇总

RISEE数据集概述

数据集状态

• 完整数据将于ITSC 2025发布

数据组织

示例文件

• map.xodr：OpenDrive格式的录制地点地图
• trajectory_example.csv：高度交互场景的提取示例
• eye-trcking_example.csv：眼动数据示例

完整数据

• map.xodr：OpenDrive格式的录制地点地图
• overall_sub&obj_risk.xlsx：各场景的平均主观风险感知结果、TTC和DNDA
• cross-references.xlsx：参与者与场景的对应关系
• trajectoris_data/：各场景的轨迹数据文件（如scenario_01.csv）
• eye-tracking_data/：各场景下参与者的眼动数据文件（如secnario_01/participant_01.csv）

引用

• 引用格式待补充（见原始BibTeX条目）

搜集汇总

数据集介绍

构建方式

RISEE数据集通过精心设计的实验场景采集多模态交通交互数据，采用OpenDrive格式构建高精度道路地图作为空间基准。研究团队在真实交通环境中部署车载传感器与眼动追踪设备，同步记录车辆轨迹数据（以CSV格式存储）和驾驶员视觉注意力数据（按场景-参与者二级目录分类）。所有交互场景均通过专业风险评估工具量化主观风险感知指标，并建立参与者-场景交叉对照关系表以确保数据可追溯性。

特点

该数据集的核心价值在于融合了客观运动轨迹与主观风险感知的多维度特征，每个场景包含精确到毫秒级的车辆动力学参数和对应的眼动追踪热图。数据层级结构清晰，通过XODR地图文件提供空间参照系，轨迹数据采用时间序列存储便于行为分析，眼动数据则保留了个体差异特性。特别值得注意的是数据集收录了高度交互性场景的典型样本，为研究风险感知与驾驶行为的关联机制提供了独特视角。

使用方法

使用者可先通过overall_sub&obj_risk.xlsx文件获取场景风险评级概览，结合cross-references.xlsx确定目标分析对象。轨迹数据适合用时间序列分析方法研究车辆交互模式，而嵌套目录存储的眼动数据支持分场景、分用户的注意力分布研究。建议将OpenDrive地图导入专业仿真平台作为基础路网，配合轨迹数据实现场景可视化重建，眼动数据CSV文件可直接导入统计分析软件进行注视点聚类等计算。

背景与挑战

背景概述

RISEE数据集是由国际智能交通系统会议（ITSC）支持的一项新兴研究项目，预计于2025年正式发布。该数据集聚焦于自动驾驶领域中的高风险交互场景，旨在通过整合多模态数据（如车辆轨迹、眼动追踪数据及主观风险评估）来探究人类驾驶员在复杂交通环境中的行为模式与风险感知机制。数据集的核心研究问题涉及驾驶行为分析、风险预测模型构建以及人机交互优化，其创新性在于首次将客观运动参数（如TTC、DNDA）与主观风险评价进行系统化关联，为自动驾驶系统的决策算法提供更贴近人类认知的参考框架。

当前挑战

RISEE数据集面临的挑战主要体现在两个方面：领域问题层面，如何准确量化高风险场景中人类驾驶员的认知负荷与风险判断边界，现有指标（如TTC）对复杂交互行为的表征能力存在局限性；数据构建层面，多源异构数据的同步采集与标注面临技术难题，眼动数据与轨迹数据的时间对齐精度需达到毫秒级，而不同参与者对同一场景的主观风险评估存在显著个体差异，需开发标准化标注协议以保障数据一致性。

常用场景

经典使用场景

在自动驾驶与智能交通系统研究中，RISEE数据集为高度交互场景下的驾驶行为分析提供了丰富的数据支持。通过整合车辆轨迹数据与眼动追踪数据，研究者能够深入探讨复杂交通环境中驾驶员的决策机制与风险感知能力。该数据集特别适用于研究人机共驾场景中的交互行为，为自动驾驶系统的安全评估与算法优化提供了关键数据支撑。

衍生相关工作

基于RISEE数据集已衍生出多个具有影响力的研究方向。在学术层面，其催生了关于风险感知量化模型、驾驶员注视行为预测等创新研究；工业界则发展了基于多模态数据融合的驾驶风险评估系统。数据集特有的眼动-轨迹同步记录方式，更推动了《IEEE Transactions on Intelligent Transportation Systems》等顶级期刊系列论文关于认知负荷建模的方法创新。

数据集最近研究

最新研究方向

在智能交通系统领域，RISEE数据集以其独特的眼动追踪与轨迹数据融合特性，正成为研究人机交互风险感知的前沿工具。该数据集通过记录驾驶员在复杂场景下的眼球运动轨迹与车辆动态行为，为量化主观风险感知与客观碰撞指标（如TTC、DNDA）的关联性提供了多模态基准。2023年以来，其预发布数据已支撑多项自动驾驶认知机理研究，特别是在紧急接管情境中视觉注意力分配模式的挖掘，以及基于生物特征的驾驶风险预测模型构建。随着ITS Conference 2025的正式发布临近，该数据集有望推动人因工程与机器学习的跨学科融合，为解决自动驾驶信任度校准、危险预警系统优化等关键问题提供实证基础。