Personalized Driving Behavior (PDB) 数据集

PDB数据集是由加州大学河滨分校等机构创建的一种多模态数据集，旨在捕捉自然驾驶条件下个人驾驶行为中的个性化特征。该数据集包含了12位参与者在相同的路线和车辆上进行的多次驾驶 sessions，收集了大约27万个LiDAR帧、160万张图像和6.6 TB的原始传感器数据。处理后的轨迹数据集包括1669个时长为10秒的片段，每0.2秒一个间隔。数据集整合了环境感知数据与驾驶员及车辆状态信息，为研究驾驶员决策过程提供了宝贵的资源。

The PDB dataset is a multimodal dataset created by institutions including the University of California, Riverside, aiming to capture personalized characteristics in individual driving behaviors under natural driving conditions. It includes multiple driving sessions conducted by 12 participants on the same route and in the same vehicle, with approximately 270,000 LiDAR frames, 1.6 million images, and 6.6 TB of raw sensor data collected. The processed trajectory dataset contains 1669 10-second clips, each with a sampling interval of 0.2 seconds. This dataset integrates environmental perception data with driver and vehicle state information, serving as a valuable resource for researching driver decision-making processes.

搜集汇总

数据集介绍

构建方式

PDB数据集的构建方式着重于捕捉自然驾驶条件下驾驶员个性化的驾驶行为。为此，研究团队确保了数据收集过程中的外部环境一致性，包括固定的路线、车辆和光照条件。数据集包含了来自128线激光雷达、前向摄像头视频、GNSS、9轴IMU、CAN总线数据（油门、刹车、转向角度）以及驾驶员特异性信号，如面部视频和心率。数据收集是在同一辆车型上进行的，以确保车辆性能特征的统一性。

特点

PDB数据集的特点在于它是一个多模态数据集，专门设计用于在受控环境中研究驾驶员个体性。它不仅包括车辆动力学数据，如激光雷达点云、摄像头视频和CAN总线信号，还包含了驾驶员行为数据，如面部视频和心率信号，这为理解驾驶员的生理和心理状态提供了洞察。此外，数据集还包含了带有驾驶员标签的轨迹数据，使得研究人员能够研究不同驾驶风格如何影响运动模式和轨迹预测。

使用方法

使用PDB数据集时，研究人员可以访问结构化轨迹预测数据集，该数据集以0.2秒的间隔采样，每个序列包含51帧，持续10秒。这为研究驾驶员个体性对轨迹生成的影响提供了基础。数据集中的CAN总线信号、车辆位置数据和环境条件使得研究人员能够更深入地理解人类决策如何转化为运动模式。通过整合驾驶员特定特征，可以改进轨迹预测模型的鲁棒性和准确性。

背景与挑战

背景概述

驾驶行为分析在自动驾驶、驾驶辅助系统以及人机交互的智能交通系统开发中扮演着关键角色。现有的驾驶数据集往往将驾驶员视为同质化的个体，忽视了个体驾驶行为之间的差异。为填补这一空白，Wei等人于2025年引入了个性化驾驶行为（PDB）数据集，这是一个多模态数据集，旨在捕捉自然驾驶条件下个性化驾驶行为的特征。PDB数据集通过保持一致的路线、车辆和光照条件，最大限度地减少了外部因素对驾驶行为的影响。它包括128线LiDAR点云、前向摄像头视频、GNSS、9轴IMU、CAN总线数据（油门、刹车、转向角度）以及驾驶员特定的信号，如面部视频和心率。该数据集包括12名参与者，约27万个LiDAR帧，160万张图像和6.6TB的原始传感器数据。处理后的轨迹数据集包括1669个段，每个段持续10秒，间隔0.2秒。通过明确捕捉驾驶员的行为，PDB为人类因素分析、驾驶员识别和个人化移动应用提供了一个独特的资源，为以人为中心的智能交通系统的发展做出了贡献。

当前挑战

PDB数据集面临的挑战主要在于其个性化驾驶行为的捕捉与分析。首先，所解决的领域问题是图像分类的挑战，即如何从大量数据中识别和分类不同的驾驶行为。其次，构建过程中遇到的挑战包括确保数据的一致性和可靠性，以及如何在保护隐私的前提下收集驾驶员的生理和行为数据。此外，数据集的广泛应用还需要解决如何将个性化驾驶行为模型集成到实际驾驶场景中的问题。

常用场景

经典使用场景

Personalized Driving Behavior (PDB) 数据集旨在捕捉个人驾驶行为中的个性化差异，通过在受控条件下收集多模态数据，包括车辆动力学、驾驶员生理指标和轨迹信息，为研究个性化驾驶行为提供了一个结构化的资源。PDB 数据集的经典使用场景包括驾驶员识别、风险评估和个性化轨迹预测等，为开发以人为中心的智能交通系统提供了重要支持。

实际应用

PDB 数据集在实际应用中具有广泛的应用前景。例如，在自适应驾驶员辅助系统、个性化风险评估和行为感知轨迹预测等领域，PDB 数据集可以提供宝贵的数据支持。通过对驾驶员的生理指标、面部视频和心率的监测，PDB 数据集可以帮助研究人员评估驾驶员的驾驶风险，并据此开发出更具针对性的安全辅助系统。此外，PDB 数据集还可以用于改进自动驾驶车辆的导航系统，使其在人类主导的交通环境中具有更高的预测精度和鲁棒性。

衍生相关工作

PDB 数据集的发布衍生出了一系列相关研究工作，例如驾驶员数字孪生模型、个性化驾驶行为模型和基于生理信号的疲劳检测等。这些研究工作利用 PDB 数据集提供的丰富数据，深入分析了驾驶员的个体差异，并为开发更智能、更安全的驾驶辅助系统提供了理论基础。例如，驾驶员数字孪生模型可以根据 PDB 数据集中的驾驶员生理指标和驾驶行为数据，建立驾驶员的个性化模型，从而更好地预测其未来的驾驶行为。