AutoDRIVE Hunter SE Dataset

该数据集包含了Hunter SE机器人的动力学和感知数据，详细记录了车辆的各种参数和控制输入变化，以及通过不同操作方式（如键盘、鼠标、游戏手柄等）收集的数据，并提供了数据的可视化展示。

This dataset encompasses the dynamics and perception data of the Hunter SE robot, meticulously documenting various parameters and control input variations of the vehicle. It also includes data collected through different operational methods (such as keyboard, mouse, gamepad, etc.), and provides visual representations of the data.

原始信息汇总

数据集概述

数据集名称

• AutoDRIVE Hunter SE Dataset

数据集描述

• Dynamics and Perception Dataset of "Hunter SE" Robot

数据集结构

• 数据组成：
  • DATA：timestamp, throttle, steering, leftTicks, rightTicks, posX, posY, posZ, roll, pitch, yaw, speed, angX, angY, angZ, accX, accY, accZ
  • UNIT：时间戳, 百分比, 弧度, 计数, 计数, 米, 米, 米, 弧度, 弧度, 弧度, 米/秒, 弧度/秒, 弧度/秒, 弧度/秒, 米/秒^2, 米/秒^2, 米/秒^2

车辆参数

• Wheelbase：0.55 m
• Track width：0.52 m
• Center of mass：[x: 0.330, y: 0.000, z: 0.087] m (相对于后轴中心)
• Suspension stiffness：22700 N/m
• Suspension damping：7000 Ns/m
• Throttle Limit：1.0000 norm%
• Steering Limit：0.5236 rad
• Linear Velocity Limit：3.5611 m/s
• Angular Velocity Limit：2.0708 rad/s

控制输入变化

• Throttle Gradations：0.1, 0.2, 0.3, 0.4, 0.5 norm% (每级5次运行)
• Steering Gradations：[-0.5236, 0.5236] rad (输入方法的分辨率结果)

数据可视化

• Single Modality Data Visualization：链接
• Collective Modality Data Visualization：链接

引用信息

• AutoDRIVE: A Comprehensive, Flexible and Integrated Digital Twin Ecosystem for Enhancing Autonomous Driving Research and Education
• AutoDRIVE Simulator: A Simulator for Scaled Autonomous Vehicle Research and Education

搜集汇总

数据集介绍

构建方式

AutoDRIVE Hunter SE Dataset通过使用AutoDRIVE生态系统，从1:5比例的Ackerman转向车辆Hunter SE中捕获数据。该数据集的构建依赖于自动化数据收集脚本`open_loop_control.py`，该脚本利用AutoDRIVE Devkit的Python API，在开环控制设置下选择并执行特定操作，如直线行驶、绕桩、鱼钩和绕桩等。通过控制车辆的油门和转向，脚本在预设的限制范围内生成多种操作输入变量，从而生成丰富的动态和感知数据。

特点

该数据集的显著特点在于其多样化的操作场景和精细的数据结构。数据集涵盖了多种操作，包括直线行驶、绕桩、鱼钩和绕桩，每种操作都有详细的控制输入和车辆状态数据。此外，数据集提供了车辆参数的详细描述，如轴距、轮距、重心位置等，这些参数为研究者提供了深入分析车辆动力学的基础。数据的可视化工具进一步增强了数据集的实用性，使得用户能够直观地理解数据特征。

使用方法

使用AutoDRIVE Hunter SE Dataset时，用户可以通过切换不同的分支（如越野数据集和草地数据集）来访问特定场景的数据。数据集的结构清晰，包含了时间戳、油门、转向、车轮转动计数、位置、速度、加速度等多维度信息。用户可以通过提供的Python脚本进行数据收集和控制输入的生成，同时利用数据可视化工具对数据进行深入分析。此外，数据集还提供了详细的车辆参数和控制输入映射，帮助用户更好地理解和应用数据。

背景与挑战

背景概述

AutoDRIVE Hunter SE Dataset是由Tinker-Twins团队创建的，旨在为自主驾驶研究提供一个全面的动态与感知数据集。该数据集基于1:5比例的Ackerman转向车辆Hunter SE，通过AutoDRIVE生态系统进行数据采集。其核心研究问题围绕自主驾驶车辆在不同环境下的动态行为与感知能力，特别是针对直行、绕桩、鱼钩和蛇形等复杂操作的精确控制与数据记录。该数据集的创建不仅为自主驾驶领域的研究提供了宝贵的实验数据，还推动了相关技术的教育与应用，尤其是在小型自主车辆的研究与开发方面。

当前挑战

AutoDRIVE Hunter SE Dataset在构建过程中面临多项挑战。首先，数据采集需要在不同地形（如越野和草地）下进行，这对传感器的适应性和数据处理的复杂性提出了高要求。其次，车辆在执行复杂操作时，如绕桩和蛇形，其动态行为的精确控制与数据记录需要高度同步，这对数据采集系统的实时性和稳定性构成了挑战。此外，数据的可视化与分析也需面对多维度数据的整合与解释难题，以确保研究者能够从中提取有价值的信息。

常用场景

经典使用场景

AutoDRIVE Hunter SE Dataset 主要用于研究小型自动驾驶车辆的动力学和感知特性。该数据集通过模拟多种复杂的驾驶操作，如直线行驶、绕桩、鱼钩和绕障等，提供了丰富的车辆动态数据。这些数据包括车辆的速度、加速度、转向角度、油门控制等，为研究车辆在不同驾驶条件下的行为提供了宝贵的资源。

实际应用

在实际应用中，AutoDRIVE Hunter SE Dataset 可用于开发和测试自动驾驶车辆的控制系统和感知算法。例如，该数据集可以用于训练和验证自动驾驶车辆的轨迹规划和控制算法，确保车辆在复杂道路条件下的安全行驶。此外，该数据集还可用于开发车辆的动力学模型，为车辆设计和优化提供依据。

衍生相关工作

基于AutoDRIVE Hunter SE Dataset，许多研究工作得以展开，包括但不限于自动驾驶车辆的动力学建模、控制算法优化和感知系统开发。例如，有研究利用该数据集开发了新的车辆控制策略，显著提高了车辆在复杂环境中的操控性能。此外，该数据集还为多传感器融合技术提供了实验基础，推动了自动驾驶感知系统的进一步发展。