Impromptu VLA Dataset|自动驾驶数据集|场景理解数据集

Impromptu VLA数据集是一个针对自动驾驶中非结构化场景的大型数据集，由超过80,000个精心挑选和验证的视频剪辑组成，这些视频剪辑来自8个开源的大型数据集。该数据集专注于四种具有挑战性的非结构化场景类型：边界不清晰的路面、临时交通规则变化、非常规动态障碍和具有挑战性的道路条件。数据集支持包括场景理解、预测、元规划和轨迹规划在内的相互关联的VLA任务。

原始信息汇总

Impromptu-VLA 数据集概述

数据集基本信息

• 名称: Impromptu-VLA
• 类型: 驾驶视觉-语言-动作模型数据集
• 许可证: GitHub仓库显示为开源许可证
• 相关论文: arXiv:2505.23757
• 项目主页: Impromptu-VLA.c7w.tech

数据集内容

• 数据来源: 包含waymo和mapillary_sls数据集的处理数据
• 数据组织:
  • 原始数据需按data_raw目录组织
  • 需创建navsim符号链接指向原始数据路径
• 数据处理: 提供数据生成脚本scripts/data_qa_generate.sh

数据集访问

• 下载地址: HuggingFace数据集页面

相关模型

• 预训练模型: 提供6个不同配置的预训练模型，包括3B和7B版本
  • 3B Base+nuScenes
  • 3B Base+Impromptu
  • 3B Base+Impromptu+nuScenes
  • 7B Base+nuScenes
  • 7B Base+Impromptu
  • 7B Base+Impromptu+nuScenes
• 模型下载: 所有模型均托管在HuggingFace模型库

性能评估

开环轨迹预测性能(nuScenes数据集)

• 评估指标: L2误差(m)
• 最佳表现:
  • 1s: 0.13m (3B/7B Base+Impromptu+nuScenes)
  • 2s: 0.27m (3B/7B Base+Impromptu+nuScenes)
  • 3s: 0.48m (DriveVLM-Dual)
  • 平均: 0.29m (EMMA+)

NeuroNCAP评估

• 评估指标:
  • NeuroNCAP评分(越高越好)
  • 碰撞率(%)(越低越好)
• 最佳表现:
  • NeuroNCAP平均分: 2.15 (Base+Impromptu+nuScenes)
  • 平均碰撞率: 65.5% (Base+Impromptu+nuScenes)

使用工具

• 主要依赖库:
  • sglang: 高效大语言模型服务
  • LLaMA-Factory: 大语言模型微调框架
  • vLLM: 高吞吐量推理库

AI搜集汇总

数据集介绍

构建方式

Impromptu VLA Dataset是通过从8个开源大规模数据集中精心筛选和标注超过80,000个视频片段构建而成。这些数据集包括Mapillary、ONCE、NAVSIM、nuScenes、Waymo、Argoverse、KITTI和IDD。构建过程采用了先进的视觉语言模型（VLM）和链式思维（Chain-of-Thought）推理技术，对每个关键片段进行多任务标注，包括场景描述、交通信号检测、动态物体运动预测等。所有标注均经过严格的人工验证，确保数据的高质量和可靠性。

特点

Impromptu VLA Dataset专注于四种具有挑战性的非结构化驾驶场景：边界模糊的道路、临时交通规则变化、非常规动态障碍物和恶劣道路条件。该数据集不仅包含丰富的视觉数据，还提供了面向规划的问答标注和动作轨迹，支持场景理解、预测、元规划和轨迹规划等互联任务。其独特之处在于对非结构化场景的系统分类和全面的多任务标注，填补了现有数据资源的空白。

使用方法

Impromptu VLA Dataset可用于训练和评估视觉语言动作（VLA）模型在非结构化驾驶场景中的表现。研究人员可以将其用于端到端自动驾驶模型的训练，特别是在处理复杂和不可预测的道路条件时。数据集中的问答标注可作为诊断工具，评估模型在感知、预测和规划方面的能力。使用该数据集时，建议先进行预训练，再在特定基准（如nuScenes）上进行微调，以充分利用其在非结构化场景中的优势。

背景与挑战

背景概述

Impromptu VLA Dataset是由清华大学AIR实验室与博世研究院等机构合作，于2025年提出的专注于自动驾驶视觉-语言-动作（VLA）模型训练的大规模数据集。该数据集从8个开源自动驾驶数据集中精选了8万条视频片段，重点针对道路边界模糊、临时交通规则变化、非常规动态障碍物和恶劣道路条件四类非结构化场景，填补了现有数据在复杂驾驶场景覆盖上的空白。数据集通过链式思维（Chain-of-Thought）提示和人工验证的双重标注流程，构建了包含场景理解、轨迹预测、元动作规划等任务的问答对，显著提升了VLA模型在NeuroNCAP和nuScenes等基准测试中的性能表现。

当前挑战

该数据集主要解决自动驾驶在非结构化场景下的泛化能力挑战，具体包括：1) 领域问题挑战：传统自动驾驶系统在缺乏明确车道线、临时交通管制或突发障碍物等复杂场景中表现不佳；2) 构建过程挑战：需从200万原始片段中精准识别四类非结构化场景，涉及多源数据频率对齐、VLM标注稳定性校验，以及保持轨迹预测与场景语义的一致性。此外，数据标注需平衡自动化效率（使用Qwen2.5-VL 72B模型）与人工验证精度，确保复杂场景标注的可靠性。

常用场景

经典使用场景

Impromptu VLA数据集专为自动驾驶领域设计，特别关注非结构化道路场景下的视觉-语言-动作（VLA）模型训练。该数据集包含超过80,000个视频片段，涵盖四种关键的非结构化场景类型：边界模糊的道路、临时交通规则变化、非常规动态障碍物和恶劣道路条件。这些场景为VLA模型提供了丰富的训练素材，帮助模型在复杂环境中提升感知、预测和规划能力。

衍生相关工作

Impromptu VLA数据集已衍生出多项经典研究工作，如DriveVLM和OmniDrive等基于VLA模型的自动驾驶系统。这些工作利用该数据集的多任务标注和规划导向的问答对，进一步推动了自动驾驶领域的发展。此外，该数据集还被用于开发新的评估基准和诊断工具，帮助研究者更全面地评估模型在非结构化场景中的表现。

数据集最近研究

最新研究方向

近年来，Impromptu VLA数据集在自动驾驶领域引起了广泛关注，特别是在处理非结构化道路场景方面。该数据集专注于四种关键类型的非结构化“极端情况”场景，包括边界不清的道路、临时交通规则变化、非常规动态障碍物和具有挑战性的道路条件。这些场景对现有的自动驾驶系统提出了严峻挑战，推动了视觉-语言-动作（VLA）模型在场景理解、预测、元规划和轨迹规划等任务中的研究。实验结果表明，使用Impromptu VLA数据集训练的VLA模型在闭环NeuroNCAP评分和开环nuScenes轨迹预测中均取得了显著性能提升。此外，该数据集的问答套件作为一种有效的诊断工具，揭示了VLA模型在感知、预测和规划能力上的明显改进。

相关研究论文

• Impromptu VLA: Open Weights and Open Data for Driving Vision-Language-Action Models

  清华大学 · 2025年