V2X-Seq

该数据集是用于自动驾驶领域的多时间融合合作轨迹预测框架测试的数据集。

This dataset is intended for testing multi-temporal fusion cooperative trajectory prediction frameworks within the autonomous driving domain.

原始信息汇总

Co-MTP 数据集概述

数据集简介

• 名称：Co-MTP
• 描述：Co-MTP 是一个面向自动驾驶的具有多时间融合功能的通用协同轨迹预测框架，利用 V2X 系统完全捕捉历史和未来域中代理之间的交互，以提高规划效果。
• 评估数据集：V2X-Seq
• 性能：Co-MTP 在 V2X-Seq 数据集上取得了 SOTA（当前最佳）性能。

安装环境

• 建议环境：Python 3.8，PyTorch 1.10.1，TensorFlow，DGL 0.7.2，Protobuf 3.20

数据集准备

1. 数据下载：下载 V2X-Seq-TFD 数据集并保存到 {DATA_ROOT} 目录下。 bash export DATA_ROOT=${PWD}/dataset/V2X-Seq-TFD

2. 地图合并：将多个地图合并为一个地图。 bash python preprocess/maps_merge.py --data_root ${DATA_ROOT}

3. 协同视图轨迹预处理： bash python preprocess/fusion_for_prediction.py --data_root ${DATA_ROOT} --split train python preprocess/preprocess_v2x.py --data_root ${DATA_ROOT} --split train python preprocess/fusion_for_prediction.py --data_root ${DATA_ROOT} --split val python preprocess/preprocess_v2x.py --data_root ${DATA_ROOT} --split val

4. 基础设施视图原始轨迹预处理： bash python preprocess/fusion_for_prediction.py --data_root ${DATA_ROOT} --split train python preprocess/preprocess_road.py --data_root ${DATA_ROOT} --split train python preprocess/fusion_for_prediction.py --data_root ${DATA_ROOT} --split val python preprocess/preprocess_road.py --data_root ${DATA_ROOT} --split val

训练与评估

• 训练设备：4 张 NVDIA 4090 显卡
• 训练时间：5-6 天
• 训练命令： bash python train.py --n_epoch 45 --batch_size 24 --val_batch_size 48 --port 49196 --gpu_number 4 --gpu 0,1,2,3 --use_planning True --v2x_prediction True --use_road_obs True --use_other_fut True --road_prediction False --name co-mtp

搜集汇总

数据集介绍

构建方式

V2X-Seq数据集的构建，依托于车联网（V2X）技术，通过采集真实世界中的车辆轨迹数据，实现了历史与未来时间域中代理之间交互的全面捕获。数据集的构建过程包括数据的下载、地图的合并、合作视角轨迹的预处理以及基础设施视角原始轨迹的预处理等多个步骤，确保了数据集在自动驾驶领域应用的准确性与实效性。

使用方法

使用V2X-Seq数据集，首先需要准备相应的环境，包括Python、Torch、TensorFlow等框架的安装。数据准备包括下载数据集、合并地图、预处理轨迹等步骤。通过执行提供的脚本命令，用户可以完成数据的预处理工作，进而使用训练脚本进行模型的训练与评估。整个流程的设计旨在简化用户操作，提高数据处理效率。

背景与挑战

背景概述

V2X-Seq数据集是在智能驾驶领域的一项重要研究工作中创建的，旨在为自动驾车的合作轨迹预测提供支持。该数据集由清华大学知识工程实验室（AIR-THU）研发，并在2023前公开。其核心研究问题是利用V2X系统全面捕获历史与未来领域中的智能体交互，以优化自动驾驶规划过程。V2X-Seq数据集的构建对于自动驾驶系统中的轨迹预测具有显著影响力，为相关领域的研究提供了宝贵的实验数据和基准。

当前挑战

该数据集在构建和应用过程中面临的挑战主要包括：1）如何在轨迹预测中准确融合历史与未来的信息，以实现对智能体交互的全面捕获；2）数据集的多样性和复杂性给模型的训练和泛化带来了困难；3）在数据预处理阶段，如何高效地合并多地图信息，以及处理合作视图轨迹和基础设施视图原始轨迹，以确保数据的一致性和可用性。这些挑战对于提升自动驾驶系统的预测准确性和鲁棒性至关重要。

常用场景

经典使用场景

V2X-Seq数据集作为自动驾驶领域的重要资源，其经典使用场景在于对Co-MTP这一协同轨迹预测框架的评估。Co-MTP框架利用V2X系统，融合历史与未来域中各智能体间的交互信息，以优化规划过程。V2X-Seq数据集为此提供了真实世界中的车辆轨迹数据，支持了对Co-MTP框架在预测准确性方面的深入评估。

解决学术问题

在学术研究中，V2X-Seq数据集解决了如何利用车联网系统进行更精确的车辆轨迹预测的问题。通过提供丰富的历史和未来轨迹数据，该数据集使得研究者能够更好地理解并建模车辆间的交互行为，从而提高了预测模型的性能，对自动驾驶系统的安全性和效率具有重大意义。

实际应用

在实际应用中，V2X-Seq数据集的应用场景广泛，可支持自动驾驶车辆在复杂的交通环境中进行有效的路径规划和决策制定。通过利用该数据集训练出的模型，自动驾驶系统能够更准确地预测周围车辆的行驶轨迹，从而提高行车安全，降低交通事故的发生率。

数据集最近研究

最新研究方向

V2X-Seq数据集近期研究方向聚焦于自动驾驶领域中的协同轨迹预测。该研究利用车与车、车与基础设施之间通信（V2X）系统，通过多时间融合策略，深入挖掘历史与未来领域内不同代理之间的交互信息，以优化规划决策。研究结果表明，所提出的Co-MTP框架在该数据集上取得了最先进（SOTA）性能，证实了历史与未来融合策略在预测中的显著增益效果。这一方向的研究不仅推动了自动驾驶系统在感知与预测方面的技术进步，也为智能交通系统的发展提供了新的视角和解决方案。