Bench2Drive-Speed

Bench2Drive-Speed 是一个用于目标速度条件自动驾驶的闭环基准测试数据集，通过目标速度和超车/跟随命令实现对车辆行为的显式控制。该数据集包含 2,100 个 CARLA 驾驶场景，配有专家演示和标注的超车/跟随命令。发布的数据集仅包含专家目标速度信号。用户可以使用提供的脚本从 Bench2Drive 风格的驾驶数据集中生成虚拟目标速度标注。该数据集适用于自动驾驶领域的研究和开发，特别是在需要精确控制车辆速度和行为的情况下。

原始信息汇总

Bench2Drive-Speed 数据集概述

基本信息

• 数据集名称：Bench2Drive-Speed
• 许可证：cc-by-nc-nd-4.0
• 任务类别：机器人学

数据集描述

Bench2Drive-Speed 是一个用于期望速度条件自动驾驶的闭环基准，通过目标速度和超车/跟随指令实现对车辆行为的显式控制。

数据内容

• CustomizedSpeedDataset 包含 2,100 个 CARLA 驾驶场景，附带专家演示和标注的超车/跟随指令。
• 发布的数据集仅包含专家目标速度信号。

虚拟目标速度标注

用户可使用脚本从 Bench2Drive 风格的驾驶数据集中生成虚拟目标速度。

1. 在 GitHub 代码库中找到 tools/append_virtual_target_speed.py。
2. 在主函数中设置数据集路径：main(["/path/to/dataset"])。
3. 运行脚本：python tools/append_virtual_target_speed.py。

相关资源

• 项目主页：https://thinklab-sjtu.github.io/Bench2Drive-Speed/
• 论文：https://huggingface.co/papers/2603.25672
• GitHub 代码库：https://github.com/Thinklab-SJTU/Bench2Drive-Speed

引用

bibtex @article{Bench2DriveSpeed, title={Can Users Specify Driving Speed? Bench2Drive-Speed: Benchmark and Baselines for Desired-Speed Conditioned Autonomous Driving}, author={Yuqian Shao and Xiaosong Jia and Langechuan Liu and Junchi Yan}, year={2026}, eprint={2603.25672}, archivePrefix={arXiv}, primaryClass={cs.RO}, }

搜集汇总

数据集介绍

构建方式

在自动驾驶研究领域，构建能够精确控制车辆行为的基准数据集至关重要。Bench2Drive-Speed数据集通过精心设计的流程，在CARLA仿真环境中创建了2100个驾驶场景。每个场景不仅包含专家演示的驾驶轨迹，还标注了超车或跟随的指令，同时数据集发布了专家设定的目标速度信号。这一构建方式确保了数据在闭环评估框架下的真实性与可控性，为研究速度条件化驾驶提供了扎实的基础。

使用方法

研究人员可利用该数据集训练和评估速度条件化的自动驾驶模型。具体而言，数据中的专家轨迹与速度信号可直接用于监督学习。此外，通过项目提供的脚本工具，用户能够为已有的Bench2Drive风格数据集生成虚拟目标速度，从而扩展数据的应用范围。使用前需配置好相应路径并运行脚本，即可便捷地整合速度控制信息，推动相关算法的迭代与验证。

背景与挑战

背景概述

自动驾驶领域长期致力于开发能够精确响应人类驾驶意图的智能系统，其中对车辆速度的显式控制是提升驾驶安全性与舒适性的关键。Bench2Drive-Speed数据集由上海交通大学ThinkLab实验室于2026年创建，旨在为速度条件自动驾驶提供一个闭环基准。该数据集包含2100个基于CARLA仿真平台构建的驾驶场景，并集成了专家演示数据及超车/跟随指令标注，核心研究问题聚焦于如何让自动驾驶模型根据用户指定的目标速度动态调整驾驶行为，从而推动人机协同驾驶技术的发展。

当前挑战

在自动驾驶研究中，如何使车辆准确理解并执行人类对速度的个性化需求，同时确保在复杂交通场景下的安全性与效率，构成了该领域的主要挑战。Bench2Drive-Speed数据集针对速度条件控制问题，需解决模型在动态环境中对目标速度的鲁棒跟踪、以及超车与跟随指令的精确执行等难题。在数据构建过程中，挑战体现在大规模高质量仿真场景的生成、专家驾驶行为的真实还原，以及多模态指令（如速度与超车命令）的协同标注，这些因素共同增加了数据集的构建复杂度与可靠性要求。

常用场景

经典使用场景

在自动驾驶领域，精确控制车辆行为是核心挑战之一。Bench2Drive-Speed数据集通过提供目标速度和超车/跟随命令的标注，为研究人员构建闭环基准测试环境。该数据集包含2100个CARLA仿真场景，支持开发能够根据用户指定速度进行自适应驾驶的智能体，常用于训练和评估速度条件化驾驶策略模型。

解决学术问题

该数据集旨在解决自动驾驶中用户意图与车辆行为对齐的学术难题。传统方法往往缺乏对速度的显式控制，而Bench2Drive-Speed通过引入目标速度信号，使研究者能够探索速度条件化决策的机制。这不仅推动了闭环仿真基准的发展，还为理解驾驶行为中的速度动态提供了数据基础，促进了自动驾驶系统的人机交互研究。

实际应用

在实际应用中，Bench2Drive-Speed可用于开发更智能的自动驾驶辅助系统。例如，在高速公路或城市道路场景中，系统可根据驾驶员设定的速度偏好自动调整跟车或超车策略，提升驾驶舒适性和安全性。此外，该数据集支持汽车制造商和科技公司测试和优化速度控制算法，加速自动驾驶技术的商业化落地进程。

数据集最近研究

最新研究方向

在自动驾驶领域，精准控制车辆行为是提升系统安全性与人性化交互的关键挑战。Bench2Drive-Speed数据集通过引入目标速度与超车/跟随指令的显式条件控制，为闭环评估提供了结构化基准。当前研究聚焦于如何利用该数据集训练端到端模型，以实现对驾驶速度的细粒度指定，并探索多模态指令在复杂交通场景中的泛化能力。这一方向正推动自动驾驶系统从被动响应向主动规划演进，为个性化驾驶策略的开发奠定了数据基础，相关成果有望加速智能车辆在实际道路中的部署进程。