DeepAccident

DeepAccident是由香港大学等机构创建的首个支持V2X自动驾驶的大规模数据集，专注于真实世界中频繁发生的多样化事故场景。该数据集通过现实模拟器生成，包含57K标注帧和285K标注样本，远超其他大型数据集如nuScenes。DeepAccident不仅支持多种感知任务，还引入了端到端运动和事故预测新任务，旨在直接评估不同自动驾驶算法的事故预测能力。数据集中的每个场景都设计有四辆车和一个基础设施来记录数据，提供多视角的事故场景数据，支持V2X感知和预测研究。此外，数据集还包含详细的标注信息，如事故车辆ID和未来碰撞轨迹，以及正常无碰撞场景，以增强运动多样性。DeepAccident的应用领域主要集中在提升自动驾驶的安全性，解决事故预测和运动预测的关键问题。DeepAccident is the first large-scale V2X-enabled autonomous driving dataset developed by institutions including the University of Hong Kong, focusing on diverse real-world accident scenarios that occur frequently. Generated using real-world simulators, it contains 57K annotated frames and 285K annotated samples, a scale exceeding that of other prominent datasets such as nuScenes. Beyond supporting multiple perception tasks, DeepAccident introduces novel end-to-end motion and accident prediction tasks, designed to directly evaluate the accident prediction performance of diverse autonomous driving algorithms. Each scenario in the dataset is configured with four vehicles and one infrastructure node for data acquisition, providing multi-view accident scene data to support V2X-oriented perception and prediction research. Furthermore, the dataset includes detailed annotation information such as accident vehicle IDs and future collision trajectories, as well as normal collision-free scenarios, to enhance the diversity of motion patterns. The primary application scope of DeepAccident centers on improving autonomous driving safety, addressing core challenges in accident prediction and motion prediction.

搜集汇总

数据集介绍

构建方式

在自动驾驶领域，安全评估的精细化与可解释性始终是研究的关键挑战。DeepAccident数据集的构建依托于CARLA仿真平台，其核心在于依据美国国家公路交通安全管理局（NHTSA）的真实事故报告，系统性地重构了12类在信号控制与非信号控制交叉口频发的碰撞场景。每个场景均配置四辆车辆与一个路侧基础设施，以同步采集多视角摄像头与激光雷达的完整传感器数据。通过精心设计事故车辆的初始位置、速度与轨迹交叠点，并引入随机交通参与者、天气与光照变化，该数据集在可控环境中生成了大规模、高多样性的安全关键场景，共计包含28.5万个标注样本与5.7万个V2X标注帧，为端到端的安全研究奠定了扎实的数据基础。

使用方法

研究人员可利用DeepAccident数据集开展单车与V2X协同感知及预测算法的训练与评估。对于端到端运动与事故预测任务，模型以历史多视角图像序列作为输入，直接输出未来场景的运动轨迹，并通过后处理模块判断事故发生的可能性及相关细节。数据集已按7:1.5:1.5的比例划分为训练、验证与测试集，便于进行规范的模型开发与性能比较。此外，其提供的V2X多智能体数据支持异构信息融合研究，可用于探索在遮挡、恶劣天气等极限工况下，通过协同感知提升安全预测能力的有效途径。数据集中附带的基础模型V2XFormer也为后续研究提供了可比较的强基线。

背景与挑战

背景概述

随着自动驾驶技术的飞速发展，安全评估成为该领域的核心关切。然而，现有数据集在直接且可解释的安全性评估方面存在显著不足。DeepAccident数据集应运而生，由香港大学、华为诺亚方舟实验室及大连理工大学的研究团队于2023年联合创建。该数据集通过高保真仿真模拟器，重构了基于美国国家公路交通安全管理局预碰撞报告的真实事故场景，旨在填补自动驾驶在安全关键场景数据方面的空白。其核心研究问题聚焦于车辆到一切通信环境下的端到端运动与事故预测，为自动驾驶算法提供了首个大规模V2X事故预测基准，对推动智能交通系统的安全演进具有深远影响。

当前挑战

DeepAccident数据集致力于解决自动驾驶领域中的事故预测难题，其核心挑战在于如何从原始传感器数据中准确推断碰撞的发生、时间、位置及涉及对象，这要求模型具备强大的多智能体协同感知与长时序推理能力。在构建过程中，研究团队面临多重挑战：一是事故场景的多样性与真实性平衡，需基于知识规则生成大量符合现实交通模式的事故，同时避免优化方法导致的耗时与不切实际轨迹；二是多视角数据同步与标注的复杂性，需协调四辆车与一个基础设施的传感器数据，并确保时空对齐的精确标注；三是仿真到现实的域适应问题，要求数据集能有效提升模型在真实世界的泛化性能。

常用场景

经典使用场景

在自动驾驶安全评估领域，DeepAccident数据集被广泛应用于端到端运动与事故预测任务。该数据集通过模拟真实世界中的碰撞场景，为研究者提供了一个包含多视角传感器数据的基准平台，使得算法能够在复杂交通环境中预测潜在事故的发生时机、位置及涉及对象。其经典使用场景包括训练和验证基于车联网（V2X）通信的协同感知模型，以提升自动驾驶系统在遮挡或视野受限情况下的安全性能。

解决学术问题

DeepAccident数据集解决了自动驾驶研究中安全关键场景数据匮乏的学术难题。传统数据集往往缺乏详细的事故标注与多视角协同信息，难以直接评估算法的安全预测能力。该数据集通过生成多样化的碰撞场景，并引入端到端事故预测任务，使研究者能够量化分析算法在事故预警方面的表现，从而推动自动驾驶安全评估从感知性能向主动安全预测的范式转变。

实际应用

在实际应用中，DeepAccident数据集为自动驾驶系统的安全测试与验证提供了重要支撑。汽车制造商与研发机构可利用该数据集模拟各类高风险交通场景，如交叉口碰撞、行人横穿等，以测试车辆在V2X环境下的协同决策能力。此外，该数据集还能用于训练智能交通基础设施的监控系统，提升城市道路的整体安全水平，为自动驾驶技术的商业化落地奠定基础。

数据集最近研究

最新研究方向

在自动驾驶安全评估领域，DeepAccident数据集的出现标志着V2X（车联万物）技术在事故预测与运动分析方面的前沿突破。该数据集通过模拟真实世界中的多样碰撞场景，首次支持端到端的运动与事故预测任务，为算法提供了直接且可解释的安全性能评估基准。当前研究热点聚焦于利用多车辆与基础设施的协同感知，以克服单车辆视角下的遮挡与视野局限，从而提升在复杂交通环境中对潜在危险的预见能力。相关探索不仅推动了V2XFormer等基线模型的发展，还促进了跨域仿真到真实场景的适应性研究，对构建更可靠、安全的自动驾驶系统具有深远意义。

相关研究论文

• DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving

  香港大学 · 2023年