Real-world Vehicle State Estimation Dataset (ReVStED)

ReVStED数据集是由德国 Ingolstadt 技术大学 CARISSMA 自动驾驶研究所创建的，包含了高级车辆动态传感器的同步测量数据。该数据集旨在支持虚拟传感器的研究，特别是在车辆侧滑角估计方面。数据集的具体大小和条目数量在论文中未提及。

The ReVStED dataset was created by the CARISSMA Institute of Automated Driving at the Technical University of Ingolstadt, Germany. It contains synchronized measurement data from advanced vehicle dynamics sensors. This dataset is intended to support research on virtual sensors, particularly in the field of vehicle sideslip angle estimation. The specific size and number of entries of the dataset are not mentioned in the corresponding paper.

搜集汇总

数据集介绍

构建方式

在自动驾驶领域，精确的车辆状态估计对于确保行车安全至关重要。Real-world Vehicle State Estimation Dataset (ReVStED) 的构建基于一辆配备多种车辆动态测量传感器的测试车辆（Smart Fortwo），在CARISSMA户外测试场进行了5小时的驾驶数据采集。数据集通过GeneSys ADMA-G-PRO+ GNSS/惯性系统和Kistler Correvit S-Motion传感器，以100 Hz和500 Hz的频率分别获取精确的加速度计、陀螺仪测量以及无滑移的纵向和横向速度数据。数据同步过程通过GPS时间戳和高精度PTP服务实现，确保所有传感器数据在时间上的一致性。

特点

ReVStED数据集的特点在于其丰富性和多样性。数据集包含了多种驾驶操作（如蛇形行驶、恒定半径转弯、阶跃转向等）以及不同天气条件下的数据，覆盖了广泛的车辆动态状态。此外，数据集通过空间同步技术将速度向量从安装点转换到车辆重心，进一步提高了数据的准确性。约90万个数据样本以50 Hz的频率采集，为虚拟传感器的开发和评估提供了坚实的基础。

使用方法

ReVStED数据集的使用方法主要围绕车辆状态估计，特别是车辆侧滑角（VSA）的预测。数据集提供的输入包括车速、转向轮位置、横摆角速度、横向加速度等车载传感器数据，输出则为Correvit传感器测量的VSA真实值。数据按场景级别划分为训练集、验证集和测试集，比例为70:10:20。研究人员可以利用该数据集开发和评估机器学习模型、车辆运动模型以及混合融合策略，以提升虚拟传感器在主动安全系统中的应用性能。

背景与挑战

背景概述

Real-world Vehicle State Estimation Dataset (ReVStED) 是由德国Technische Hochschule Ingolstadt的CARISSMA自动驾驶研究所、GeneSys Elektronik GmbH以及慕尼黑工业大学的研究团队于2025年联合发布的创新性数据集。该数据集聚焦于自动驾驶领域的关键挑战——车辆侧偏角（Vehicle Sideslip Angle, VSA）的精确估计问题，通过整合高精度惯性导航系统、轮速传感器和光学测量设备的多模态数据，为虚拟传感器的研发提供了真实世界的动态车辆状态基准。作为首个公开的同步采集车辆动力学参数与车载传感器数据的标准化数据集，ReVStED填补了该领域缺乏可验证基准的空白，其包含的5小时驾驶数据覆盖了多种极端工况，显著推动了基于机器学习的车辆状态估计研究。

当前挑战

在技术层面，ReVStED数据集主要面临双重挑战：首先在领域问题维度，车辆侧偏角估计长期受限于光学传感器的高成本与模型依赖方法的非线性动态捕捉难题，特别是在低附着系数路面或高速过弯等极限工况下，传统卡尔曼滤波器的性能会急剧下降；其次在构建过程中，研究团队需要解决多源异构传感器的时空同步问题，包括处理GeneSys ADMA-G-PRO+（100Hz）与Kistler Correvit（500Hz）设备间的采样率差异，以及通过刚体变换将测量点速度向量精确转换至车辆质心坐标系。此外，数据集还需克服实际道路测试中GPS信号遮挡、传感器漂移等工程难题，确保在包含湿滑路面、紧急变道等复杂场景下的数据有效性。

常用场景

经典使用场景

在自动驾驶和高级驾驶辅助系统（ADAS）领域，Real-world Vehicle State Estimation Dataset (ReVStED) 数据集被广泛应用于车辆侧滑角（VSA）的虚拟传感器开发。该数据集通过同步采集车辆动态传感器数据，为研究人员提供了丰富的实验基础，特别是在高动态驾驶场景（如蛇形绕桩、恒定半径转弯等）下的数据支持。其经典使用场景包括基于机器学习和车辆运动模型的混合架构设计，以提升VSA估计的准确性和可靠性。

实际应用

在实际应用中，ReVStED 数据集为汽车制造商和研究机构提供了开发低成本虚拟传感器的关键数据支持。通过利用该数据集，可以设计出无需依赖昂贵光学传感器的VSA估计系统，显著降低了量产车的成本。此外，该数据集还被用于测试和验证电子稳定性控制（ESC）、自主紧急制动（AEB）等主动安全系统，提升了车辆在极限驾驶条件下的安全性能。

衍生相关工作

ReVStED 数据集衍生了一系列经典研究工作，特别是在混合机器学习架构和不确定性量化领域。基于该数据集的研究提出了多种融合策略，如专家融合（EF）、深度融合（DF）和高斯回归融合（GF），这些方法在VSA估计中表现出色。此外，该数据集还推动了Transformer架构在时间序列预测中的创新应用，如基于Informer模型的改进版本，为车辆动态状态估计开辟了新的研究方向。