TRUCE-AV

TRUCE-AV数据集是一个用于自动驾驶中信任和舒适度估计的多模态数据集。该数据集收集了31名参与者在模拟器中进行完全自动驾驶时的实时信任投票和连续舒适度评分。同时，还记录了生理信号，如心率、注视模式和情绪，以及环境数据（例如，车辆速度、附近车辆的位置和速度）。此外，还进行了标准的前后驾驶问卷调查，以评估参与者对自动化的信任和整体福祉，从而能够将主观评估与实时响应相关联。该数据集使自适应AV系统的开发成为可能，这些系统能够根据用户的信任和舒适度水平进行动态响应，从而提高安全性、用户体验和以人为中心的车辆。

搜集汇总

数据集介绍

构建方式

在自动驾驶信任与舒适度研究领域，TRUCE-AV数据集通过模拟器实验构建，涵盖31名参与者在完全自动驾驶环境中的多维数据采集。实验设计包含两段各约12分钟的驾驶会话，模拟城市与乡村道路的多样化场景，如行人穿越、紧急车辆通行等事件。数据同步采集实时信任投票与连续舒适度评分，结合生理信号（心率、注视方向、情绪状态）与环境参数（车速、周边车辆动态），并辅以标准化驾驶前后问卷调查，形成时间对齐的多模态数据流。

特点

该数据集的核心特征在于其多模态同步架构与动态响应捕获能力。通过高采样率（生理数据1-25Hz，舒适度数据300Hz）持续记录参与者对驾驶事件的即时心理生理反应，弥补了传统问卷评估的静态局限。数据维度涵盖主观信任投票（1-10离散标度）、连续舒适度杠杆输入（0-100标度），以及客观生理指标（七类情绪概率、三维注视向量、心率变异性），同时整合车辆运动轨迹与环境上下文，为研究信任与舒适度的时空演化规律提供立体化观测基础。

使用方法

研究者可基于该数据集开展机器学习模型开发与验证，尤其适用于自动驾驶场景下的心理状态识别任务。数据经清洗对齐后形成结构化时间序列，支持滑动窗口特征提取（如10秒窗口配20个采样点）用于时序建模。典型应用包括使用随机森林、XGBoost等树模型进行信任等级分类，或通过MLP回归器预测连续舒适度数值。SHAP特征分析工具可进一步揭示情绪与注视等关键因子的贡献度，为开发非侵入式自适应驾驶系统提供量化依据。

背景与挑战

背景概述

自动驾驶技术的演进催生了对人机交互心理状态的深度探索，TRUCE-AV数据集由慕尼黑工业大学与大陆集团于2025年联合创建，聚焦于自动驾驶场景中驾驶员的信任与舒适度评估。该数据集通过模拟器实验采集31名参与者的实时生理信号、环境数据及主观评价，填补了多模态情感计算在自动驾驶领域的数据空白。其创新性在于同步整合心率、注视轨迹、情绪反应等多维指标，为构建自适应人机协同系统提供了关键数据支撑，推动了以用户为中心的智能交通系统发展。

当前挑战

在自动驾驶信任与舒适度研究领域，传统方法面临实时性不足与模态单一的局限。TRUCE-AV需解决动态心理状态与非侵入式测量的矛盾，例如个体生理信号差异对模型泛化能力的制约。数据构建过程中，多传感器时序同步、驾驶事件与生理响应的对齐成为技术难点，同时问卷报告与实时数据的一致性验证亦需精密设计。此外，数据分布呈现高信任度偏态，要求模型具备对极端状态的敏感捕捉能力。

常用场景

经典使用场景

在自动驾驶人机交互研究领域，TRUCE-AV数据集通过融合多模态生理信号与环境数据，为探索驾驶员信任与舒适度的动态演变机制提供了关键实验平台。该数据集典型应用于构建基于机器学习的心理状态识别模型，研究者通过分析心率波动、眼球运动轨迹及面部表情特征，结合实时采集的信任投票与舒适度评分，能够精准捕捉驾驶员在复杂交通场景下的心理生理响应模式。

解决学术问题

该数据集有效解决了自动驾驶领域长期存在的信任与舒适度评估碎片化问题，通过同步采集主观问卷与客观生理指标，突破了传统研究中单一模态数据的局限性。其创新性地建立了动态驾驶场景与心理状态变化的关联模型，为理解人类对自动化系统的接受机制提供了量化依据，显著推进了人因工程学在智能交通系统中的理论发展。

衍生相关工作

该数据集催生了多项创新性研究，包括基于时序卷积网络的信任预测框架、融合环境上下文的多任务学习模型等。部分研究通过迁移学习将生理特征映射到不同驾驶场景，另有工作探索了注意力机制在多重模态数据融合中的应用。这些衍生研究共同推动了自适应人机协同系统的算法演进，为构建更智能的车辆交互界面奠定了理论基础。