SensoDat|自动驾驶数据集|传感器数据数据集

SensoDat是由苏黎世应用科技大学和伯尔尼大学联合创建的一个模拟自动驾驶汽车传感器数据集，包含32,580个基于模拟的自动驾驶汽车测试案例。该数据集通过先进的测试生成器生成，涵盖了轨迹日志和多种传感器数据，如转速、轮速等，以时间序列形式呈现。数据集的创建过程涉及多个模拟活动，使用BeamNG.tech模拟环境执行测试案例并收集数据。SensoDat主要应用于自动驾驶汽车的研究，特别是AI开发、基于模拟的回归测试技术等领域，旨在降低模拟测试的成本并提高测试效率。

AI搜集汇总

数据集介绍

构建方式

SensoDat数据集通过在BeamNG.tech模拟环境中执行32,580个基于模拟的自动驾驶汽车（SDC）测试案例来构建。这些测试案例由三种不同的测试生成器（Frenetic、FreneticV和AmbieGen）生成，并在模拟环境中执行。在测试执行过程中，收集了来自81个不同模拟传感器的多种传感器数据，如转速、轮速、刹车温度和传动系统等，这些数据以时间序列的形式记录。此外，还收集了SDC的轨迹数据，包括在模拟环境中的x、y、z坐标。

特点

SensoDat数据集的主要特点在于其大规模和多样性。该数据集包含了32,580个测试案例的执行数据，涵盖了81种不同的传感器数据，提供了丰富的信息用于研究自动驾驶汽车的软件测试。此外，数据集还包括了SDC的轨迹数据，这对于分析车辆在不同测试场景下的行为至关重要。数据集的多样性和详细性使其成为研究自动驾驶汽车软件测试、AI开发和回归测试技术的宝贵资源。

使用方法

SensoDat数据集的使用方法多样，适用于多种研究目的。研究人员可以通过访问MongoDB数据库，使用Python等编程语言进行数据查询和分析。例如，可以使用pymongo库连接到数据库，并根据特定的查询条件提取传感器数据或轨迹数据。此外，数据集还可以用于开发和评估自动驾驶汽车的AI模型，进行回归测试技术的研究，以及分析模拟测试中的不确定性（flakiness）。通过这些方法，研究人员可以在不执行昂贵模拟测试的情况下，进行深入的研究和实验。

背景与挑战

背景概述

在自动驾驶汽车（SDCs）的开发过程中，测试是确保其安全性和可靠性的关键环节。然而，实地测试不仅成本高昂，还存在安全隐患。为此，模拟技术成为了一种更为安全和经济的替代方案。SensoDat数据集由苏黎世应用科技大学和伯尔尼大学的Christian Birchler、Cyrill Rohrbach、Timo Kehrer和Sebastiano Panichella等研究人员于2024年创建，旨在通过提供32,580个基于模拟的SDC测试案例数据，降低模拟测试的成本和复杂性。该数据集包含了轨迹日志和多种传感器数据，涵盖了81种不同的模拟传感器，为SDC领域的研究提供了丰富的数据资源，特别是在AI开发、回归测试技术和模拟中的不稳定性等方面。

当前挑战

尽管SensoDat数据集为SDC领域的研究提供了宝贵的资源，但其构建和应用过程中仍面临诸多挑战。首先，模拟测试的计算资源需求巨大，尤其是对GPU的依赖，这增加了测试的成本和复杂性。其次，现有的一些流行模拟器如Udacity、Apollo、SVL和DeepDrive等已停止更新，导致数据集的维护和扩展面临困难。此外，数据集中的传感器数据种类繁多，如何有效地整合和分析这些数据以支持AI模型和回归测试技术的发展，是一个亟待解决的问题。最后，模拟环境中的不稳定性（即“flakiness”）问题，可能导致测试结果的不一致性，影响测试的可靠性和有效性。

常用场景

经典使用场景

SensoDat数据集在自动驾驶汽车（SDC）领域中被广泛用于模拟测试场景。其经典使用场景包括通过模拟生成的大量传感器数据和轨迹日志，进行自动驾驶系统的回归测试、AI模型训练以及模拟环境中的不确定性分析。这些数据为研究人员提供了在不执行昂贵实地测试的情况下，评估和优化自动驾驶系统性能的机会。

解决学术问题

SensoDat数据集解决了自动驾驶汽车研究中的多个关键学术问题。首先，它降低了模拟测试的成本，使得研究人员无需依赖昂贵的计算硬件和软件。其次，通过提供多样化的传感器数据，它促进了AI算法和回归测试技术的发展，特别是在处理模拟环境中的不确定性方面。此外，该数据集还支持对自动驾驶系统在不同条件下的行为进行深入分析，从而提高了系统的安全性和可靠性。

衍生相关工作

基于SensoDat数据集，已经衍生出多项经典工作。例如，研究人员利用该数据集开发了新的回归测试技术，以提高自动驾驶系统在模拟环境中的测试效率。此外，该数据集还被用于训练和验证各种AI模型，包括用于自动驾驶的路径规划和决策算法。这些工作不仅推动了自动驾驶技术的发展，还为相关领域的研究提供了宝贵的数据资源。