RL-CIS

RL-CIS是中国科学院自动化研究所创建的数据集，专注于自动驾驶在复杂交叉路口场景的训练与测试。该数据集包含5个功能场景，涵盖左转、右转和直行等典型驾驶任务，通过CARLA模拟器生成，旨在通过强化学习方法提升自动驾驶系统的决策与控制能力。数据集的创建过程中，采用了基于随机过程的交通流生成方法，确保场景的多样性和随机性。RL-CIS主要应用于自动驾驶系统的性能评估，特别是在处理与社会车辆交互的复杂情况时，以提高交通安全和效率。RL-CIS is a dataset developed by the Institute of Automation, Chinese Academy of Sciences, focusing on the training and testing of autonomous driving systems in complex intersection scenarios. This dataset includes 5 functional scenarios, covering typical driving tasks such as left turn, right turn, and straight driving, and is generated via the CARLA simulator. It aims to enhance the decision-making and control capabilities of autonomous driving systems through reinforcement learning approaches. During the dataset's development, a traffic flow generation method based on stochastic processes was adopted to ensure the diversity and randomness of the scenarios. RL-CIS is primarily utilized for the performance evaluation of autonomous driving systems, especially in complex situations involving interactions with social vehicles, to improve traffic safety and efficiency.

搜集汇总

数据集介绍

构建方式

在自动驾驶领域，交叉路口场景因其复杂的交通交互而成为研究焦点。RL-CIS数据集的构建依托CARLA高保真仿真平台，采用三层结构设计：功能场景定义路网结构与交通流行为，逻辑场景设定参数范围，具体场景通过参数离散化实例化。数据集涵盖无信号交叉口的左转、右转及直行任务，并引入基于随机过程的交通流生成方法，利用Ornstein-Uhlenbeck过程动态调整社会车辆的目标速度与间距，确保场景的多样性与随机性。

特点

该数据集的核心特点在于其高度的可变性与系统性评估框架。可变性体现为功能场景的多样性，涵盖不同驾驶任务与社会车辆行为的交互组合，以及逻辑场景中社会车辆行为模型与运动参数的随机化设置。数据集提供确定性测试与随机测试双重评估环境，其中确定性测试通过固定参数确保可重复性，随机测试则采用CARLA内置自动驾驶功能模拟更真实的交通流。此外，数据集集成了车辆动力学模型与强化学习接口，支持安全与效率等多维度性能度量。

使用方法

RL-CIS数据集为交叉路口自动驾驶的强化学习研究提供了标准化训练与测试平台。使用者可通过集成环境接口部署自定义或基线算法，包括基于规则的IDM、AEB模型及基于TD3的强化学习智能体。训练阶段，智能体在参数随机生成的交通流中学习交互策略；测试阶段则可在确定性或随机场景中评估成功率与平均通行时间等指标。数据集代码开源，支持在CARLA仿真中快速复现实验，推动自动驾驶决策与控制方法的比较与创新。

背景与挑战

背景概述

随着自动驾驶技术在城市环境中的深入应用，无信号灯交叉路口场景因其高度复杂的交互特性成为研究焦点。RL-CIS数据集由中国科学院自动化研究所复杂系统管理与控制国家重点实验室的研究团队于2021年提出，旨在为基于强化学习的自动驾驶决策与控制提供一个标准化训练与测试平台。该数据集依托高保真模拟器CARLA构建，核心研究问题聚焦于在动态交通流中实现安全高效的通行策略，通过设计多样化的功能场景与随机化逻辑参数，推动了交叉路口场景下强化学习方法的可比性与可复现性，对自动驾驶领域的算法评估与系统优化产生了显著影响。

当前挑战

在交叉路口自动驾驶领域，核心挑战在于处理自动驾驶车辆与社会车辆间的不确定性交互，需在遵守交通规则的前提下实现实时决策与安全通行。RL-CIS数据集构建过程中面临多重挑战：其一，场景设计需平衡功能多样性（如左转、直行、右转任务）与逻辑随机性（如车辆动力学参数分布），以确保覆盖真实交通的复杂性；其二，高保真模拟环境要求精细的车辆动力学模型与可调交通流生成方法，同时需集成强化学习接口以支持算法训练与评估，这对仿真框架的兼容性与计算效率提出了较高要求。

常用场景

经典使用场景

在城市自动驾驶研究领域，交叉路口场景因其复杂的交互特性成为关键挑战。RL-CIS数据集通过构建高保真度的仿真环境，为强化学习算法提供了标准化的训练与测试平台。该数据集最经典的使用场景在于评估自动驾驶车辆在无信号灯交叉路口的决策与控制能力，研究者可基于其多样化的功能场景（如左转、直行、右转）与随机交通流生成机制，系统性地验证算法在动态交互环境中的安全性与效率。

衍生相关工作

围绕RL-CIS数据集，已衍生出多类经典研究工作。例如，基于其场景构建方法，后续研究进一步扩展了多智能体强化学习在交叉路口的协同决策模型；同时，结合其提供的IDM、AEB等规则基线，学者们开展了学习与传统控制方法融合的混合架构探索。此外，该数据集启发了对自动驾驶泛化性能的评估框架设计，如与ULTRA等基准的对比研究，推动了领域内仿真标准与评估指标的不断完善。

数据集最近研究

最新研究方向

在自动驾驶领域，交叉路口场景因其复杂的交互特性成为研究焦点。RL-CIS数据集作为强化学习在无信号交叉路口决策控制中的基准平台，近期研究主要聚焦于多智能体协同策略优化与动态环境适应性学习。通过整合高保真模拟器CARLA与可调交通流生成方法，该数据集支持对智能体在随机与确定性场景下的安全性与效率进行综合评估。前沿工作探索了基于深度强化学习的端到端控制框架，结合社会车辆行为的不确定性建模，以提升自动驾驶车辆在密集交通流中的协商与决策能力。相关研究还涉及将模仿学习与强化学习融合，以利用人类驾驶数据加速策略收敛，同时确保符合交通规则。这些进展不仅推动了自动驾驶在复杂城市环境中的实际应用，也为智能交通系统的安全验证提供了重要工具。

相关研究论文

• A Reinforcement Learning Benchmark for Autonomous Driving in Intersection Scenarios

  中国科学院自动化研究所 · 2021年