navsim-hj-field

该数据集为 NavSim HJ Reachability Value Field，包含用于 NavSim v2（navtrain / navhard_two_stage）端到端规划器安全滤波器的 Hamilton-Jacobi (HJ) 可达性值场网络的训练标签和训练好的检查点。数据标签由来自 navtrain 场景的 HJ 标签网格组成，存储在 labels/dist1/ 目录下，共 32,434 个 .npz 文件，总大小约 40 GB。每个网格维度为 96×72×17（空间范围 x ∈ [-16, 48] m, y ∈ [-24, 24] m，17 个航向角），包含 9 个时间切片（0 到 4 秒，步长 0.5 秒），最大速度 v_max 为 16 m/s。标签生成时采用了丢弃跟随者（--drop-followers --follower-min-speed -0.5）、障碍物边距为 0、扰动采样 (0.5, 0.3) 等配置。检查点文件包括两个训练好的模型：field_clean_noaug_gradcos0.9889.pt（无噪声增强，验证梯度余弦 0.9889，MAE 0.088）和field_clean_aug_gradcos0.9199.pt（有噪声增强，验证梯度余弦 0.9199，MAE 0.103），以及对应的训练历史曲线。检查点可通过 torch.load 加载，包含模型状态和网格元数据。输入为场景的 9 时间片 theta-collapsed SDF 堆叠，网络输出值场 V（可使用自动微分求 ∇V）。验证采用路线保持验证（94/1180 路线）。标签来源于 OpenScene / nuPlan (navtrain) 记录，通过 NavSim 开发工具包生成，许可为 CC BY-NC 4.0。This dataset is the NavSim HJ Reachability Value Field, containing training labels and trained checkpoints for the Hamilton-Jacobi (HJ) reachability value field network used as a safety filter for the NavSim v2 (navtrain / navhard_two_stage) end-to-end planner. The data labels consist of HJ label grids from navtrain scenarios, stored in the labels/dist1/ directory, with 32,434 .npz files totaling approximately 40 GB. Each grid has dimensions 96×72×17 (spatial range x ∈ [-16, 48] m, y ∈ [-24, 24] m, 17 heading angles) and contains 9 time slices (0 to 4 seconds, step 0.5 seconds) with a maximum speed v_max of 16 m/s. Labels were generated with configurations such as dropping followers (--drop-followers --follower-min-speed -0.5), obstacle margin of 0, and perturbation sampling (0.5, 0.3). Checkpoint files include two trained models: field_clean_noaug_gradcos0.9889.pt (no noise augmentation, validation gradient cosine 0.9889, MAE 0.088) and field_clean_aug_gradcos0.9199.pt (with noise augmentation, validation gradient cosine 0.9199, MAE 0.103), along with corresponding training history curves. Checkpoints can be loaded via torch.load, containing model state and grid metadata. The input is a 9-time-slice theta-collapsed SDF stack of the scene, and the network outputs the value field V (∇V can be obtained via automatic differentiation). Validation uses route-keeping validation (94/1180 routes). Labels originate from OpenScene / nuPlan (navtrain) recordings, generated via the NavSim development toolkit, and are licensed under CC BY-NC 4.0.

原始信息汇总

NavSim HJ Reachability Value Field 数据集概述

数据集简介

本数据集包含用于Hamilton-Jacobi (HJ) 可达性值场网络的训练标签和已训练模型检查点，该网络作为端到端规划器在 NavSim v2（navtrain / navhard_two_stage）上的安全过滤器。

数据内容

1. 模型检查点（checkpoints/）

• field_clean_noaug_gradcos0.9889.pt：基于干净标签（丢弃跟随者）训练的值场网络，无噪声增强。验证梯度余弦相似度 0.9889，MAE 0.088（第 24 个 epoch）。
• field_clean_aug_gradcos0.9199.pt：相同标签，带噪声增强。验证梯度余弦相似度 0.9199，MAE 0.103（第 23 个 epoch）。
• *_history.json：两次训练的每 epoch 训练曲线。

2. 标签数据（labels/）

• dist1/：32,434 个 .npz HJ 标签网格，由 navtrain 场景生成（约 40 GB）。
• 网格规格：96×72×17（x ∈ [−16, 48] m，y ∈ [−24, 24] m，17 个航向角），9 个时间切片（0–4 秒，步长 0.5 秒），最大速度 16 m/s。
• 生成参数：记录 actor 未来轨迹，丢弃跟随者，障碍物边距为 0，扰动采样 (0.5, 0.3)。
• manifest_labels.jsonl：构建机器的清单（绝对路径，需根据文件系统重新生成）。

检查点格式

torch.load(path) 返回模型状态及网格元数据。输入为场景的 9 切片 theta 压缩 SDF 堆栈，网络输出值场 V（可使用 autograd 计算 ∇V）。路由留出验证使用 94/1180 条路由。

来源与许可

• 标签数据源自 OpenScene / nuPlan（navtrain） 记录，通过 NavSim 开发工具包生成。
• 遵循上游非商业条款，以 CC BY-NC 4.0 许可发布。
• 检查点仅基于这些标签训练。

搜集汇总

数据集介绍

构建方式

该数据集源自NavSim v2自动驾驶仿真平台，以Hamilton-Jacobi（HJ）可达性分析为理论基础，针对端到端规划器的安全过滤需求而构建。构建过程依托OpenScene/nuPlan（navtrain）场景录制数据，通过NavSim开发工具包生成高精度标签：利用时间变化的向后可达集（BRT）理论，在96×72×17的空间网格（覆盖纵向[-16,48]米、横向[-24,24]米及17个航向角）上，于9个时间切片（0至4秒，步长0.5秒）内编码可达性值场。标签生成时设定最大速度16米/秒，并通过丢弃跟随车辆（--drop-followers）与扰动采样（0.5, 0.3）保证标签的干净性与鲁棒性。最终产出32,434个.npz格式的标签文件（约40GB），并附带训练检查点及历史曲线，以支持后续模型训练。

特点

该数据集的核心特点在于其理论严谨性与实用导向性。标签基于HJ可达性分析，能够精确刻画动态环境下车辆状态的安全边界，为端到端规划器提供形式化的安全约束。数据集包含两种训练检查点：一种在干净标签上训练（验证梯度余弦相似度0.9889，平均绝对误差0.088），另一种引入噪声增强（梯度余弦相似度0.9199，平均绝对误差0.103），体现了对模型泛化能力的考量。此外，标签网格采用时间切片与航向角维度，完整捕捉场景的时空动态；路线留出验证（94/1180条路线）确保评估的公正性。该数据集严格遵循CC BY-NC 4.0许可，与上游非商业条款保持一致，保障了数据使用的合规性。

使用方法

使用该数据集时，用户需首先利用torch.load()加载检查点文件，获取模型状态及网格元数据。模型输入为场景的9片theta压缩有向距离场（SDF）堆栈，输出为值场V，可通过自动微分（autograd）计算梯度∇V，进而用于规划器的安全过滤。标签文件以.npz格式存储，用户需根据manifest文件（manifest_labels.jsonl）重新生成绝对路径以适应本地文件系统。数据集提供两种训练配置（干净与噪声增强），用户可根据应用场景选择合适的检查点，或基于标签自行训练新模型。许可协议限定非商业用途，使用时需注明出处并遵守上游数据条款。

背景与挑战

背景概述

NavSim HJ Reachability Value Field数据集由自动驾驶安全领域的研究人员于近期创建，旨在为端到端规划器提供基于Hamilton-Jacobi（HJ）可达性分析的安全过滤器。该数据集源自NavSim v2仿真环境（navtrain/navhard_two_stage），利用OpenScene和nuPlan的实录数据，通过NavSim开发工具包生成，包含32,434个HJ标签网格，覆盖时间变化的BRT（反向可达集），网格分辨率为96×72×17，跨越9个时间切片（0至4秒，步长0.5秒），并考虑了最大速度16 m/s和扰动样本。核心研究问题在于学习一个值场网络，以预测规划场景中的安全可达区域，作为端到端规划器的硬约束。该数据集及其训练检查点（如field_clean_noaug_gradcos0.9889.pt）在自动驾驶安全领域具有潜在影响力，为规划器的安全验证提供了数据基础和预训练模型，促进了HJ可达性理论与学习方法的结合。

当前挑战

该数据集面临的挑战主要包含两方面。在领域问题层面，自动驾驶中的安全规划需在动态、不确定环境中确保行驶安全，而HJ可达性分析虽能提供严格的安全保证，但传统计算方法对高维状态和实时性要求较高，存在计算开销和保守性难题。本数据集通过神经网络近似值场，旨在提升计算效率，但需平衡精度与泛化能力，尤其面对复杂交互场景（如跟随者车辆）时，安全边界的准确预测仍是挑战。在构建过程中，标签生成依赖NavSim和nuPlan数据，涉及大量场景的物理仿真，需处理传感器噪声、动态障碍物轨迹的不确定性，以及不同驾驶策略的影响；此外，数据集仅涵盖有限的速度范围（v_max 16 m/s）和障碍物设置，且未包含噪声增强标签，可能限制模型在更广泛场景下的鲁棒性。构建时还需确保标签的网格分辨率与时间采样能捕获关键安全动态，并解决计算资源（约40 GB标签数据）和路径记录的重建问题。

常用场景

经典使用场景

NavSim HJ Reachability Value Field数据集的核心应用场景在于为自动驾驶领域的端到端规划器提供基于Hamilton-Jacobi可达性分析的安全性过滤机制。该数据集通过离线计算车辆动态环境下的时变后向可达集（BRT），并构建高分辨率网格（96×72×17），涵盖位置、航向及时间维度，从而为规划器生成安全约束。研究者可利用该数据集训练价值场网络，在规划过程中实时计算车辆状态的价值函数及其梯度，以识别并规避潜在碰撞风险。此应用尤其适用于复杂交通场景，如跟随车辆切入或行人横穿，确保规划轨迹在动态不确定性下仍然保持安全。

解决学术问题

该数据集有效解决了自动驾驶规划中安全性与动态环境适应性之间的核心矛盾。传统的规划算法在应对非凸、时变的障碍物动态时，往往陷入局部最优或计算开销过大。通过引入HJ可达性理论，该数据集能够提供全局最优的安全状态集，并量化状态偏离安全集的程度。它支持对规划器进行安全修正，避免了仅依赖监督学习范式而导致的分布外失败。学术研究中，它常用于验证安全关键决策的鲁棒性、比较不同安全过滤策略（如模型预测控制与可达性方法的融合）的有效性，并推动从静态碰撞检测向动态可达性约束的范式转变。

衍生相关工作

该数据集及训练权重启发了多项衍生研究。一方面，基于该价值场网络，研究者开发了安全强化学习算法，将可达性约束融入奖励设计中，显著降低训练过程中的不安全探索。另一方面，其梯度信息被用于构建可微安全屏障函数，并集成到端到端学习框架中，实现感知至控制的联合优化。此外，该数据集的标签生成方法（如drop-followers策略和扰动采样）催生了关于动态场景中标签去噪与增强的研究。在实证层面，相关对比实验验证了结合此数据集的方法在复杂闭环仿真中的优越性，并推动了开放数据集下安全规划基准的建立。