FollowNet

FollowNet是由香港科技大学（广州）创建的一个公共基准数据集，专注于车辆跟随行为建模。该数据集包含从五个公开驾驶数据集中提取的超过80,000个车辆跟随事件，覆盖了多种道路类型、天气条件和混合交通流，包括自动驾驶车辆。数据集的创建旨在为微观交通流建模提供一致的数据格式和评估指标，以促进更准确的车辆跟随模型的发展。FollowNet的应用领域包括交通模拟和交通流分析，旨在解决现有数据驱动模型在标准化和混合交通流表示方面的不足。FollowNet is a public benchmark dataset created by The Hong Kong University of Science and Technology (Guangzhou), focusing on vehicle following behavior modeling. It contains over 80,000 vehicle following events extracted from five public driving datasets, covering diverse road types, weather conditions, and mixed traffic flows including autonomous vehicles. The dataset is developed to provide a unified data format and evaluation metrics for microscopic traffic flow modeling, so as to promote the development of more accurate vehicle following models. The application fields of FollowNet include traffic simulation and traffic flow analysis, aiming to address the shortcomings of existing data-driven models in standardization and mixed traffic flow representation.

搜集汇总

数据集介绍

构建方式

在微观交通流建模领域，数据格式的标准化是推动模型比较与发展的关键。FollowNet基准数据集的构建，遵循了严谨的筛选准则，从HighD、NGSIM、SPMD、Waymo和Lyft这五个主流公开驾驶数据集中，系统性地提取了超过八万条跟车事件。其核心构建逻辑在于统一事件定义：确保跟驰车辆在事件全程内跟随同一前车，事件持续时间不少于15秒，且两车横向距离保持在2米以内，以保证车辆处于同一车道。此外，针对原始数据中的噪声，研究采用了Savitzky-Golay滤波器进行平滑处理，最终将每个数据集按70%、15%、15%的比例划分为训练集、验证集和测试集，为模型开发与评估提供了结构清晰、质量可靠的数据基础。

特点

作为首个面向跟车行为建模的综合性基准，FollowNet的显著特点在于其场景的多样性与数据的标准化。该数据集不仅涵盖了高速公路、城市街道等不同道路类型，还包含了多种天气条件，特别是整合了Waymo和Lyft数据集中包含自动驾驶车辆的混合交通流场景，这为研究人机共驾环境下的跟车交互提供了宝贵数据。数据集以统一的四维数据格式（间距、跟驰车辆速度、相对速度、前车速度）呈现每个事件，并提供了间距、跟车速度、时间间隔等六个关键行为指标的统计分析。这种设计消除了以往因数据格式不一导致的模型比较障碍，为领域内研究建立了可重复、可比较的评估基准。

使用方法

FollowNet数据集旨在为跟车模型的开发、训练与性能评估提供一站式解决方案。研究人员可直接使用其提供的标准化数据分割，快速投入模型构建。数据集支持对传统模型（如IDM、GHR）与数据驱动模型（如神经网络、LSTM、强化学习模型）进行公平比较。评估时，建议采用该研究确立的两项核心指标：间距的均方误差（MSE）和碰撞率。前者衡量模型预测车辆间距的准确性，后者则关乎模型的安全性。通过在这两个指标上对模型进行综合评估，可以权衡模型的精确性与安全性。该研究已开源数据集与基线模型代码，研究者可在此基础上进行模型创新，并利用统一的测试集验证其性能，从而有效推动微观交通流建模领域的进步。

背景与挑战

背景概述

在智能交通系统与自动驾驶技术蓬勃发展的背景下，车辆跟驰行为建模作为微观交通仿真的核心环节，对于提升道路安全与交通效率具有至关重要的意义。FollowNet数据集由香港科技大学（广州）的陈贤达、朱美新等研究人员于2023年创立，旨在解决当前跟驰模型研究中缺乏标准化评估基准的突出问题。该数据集从HighD、NGSIM、SPMD、Waymo和Lyft这五个主流公开驾驶数据集中，依据统一准则提取了超过八万条跟驰事件，涵盖了高速公路、城市道路、不同天气条件以及包含自动驾驶车辆的混合交通流等多种场景。FollowNet的建立为跟驰模型的性能比较提供了统一的数据格式与评估指标，显著推动了微观交通流建模领域的规范化发展，其影响力堪比计算机视觉领域的ImageNet与KITTI数据集。

当前挑战

FollowNet数据集致力于解决的领域挑战在于车辆跟驰行为的精确建模与评估。传统跟驰模型往往基于简化假设，难以捕捉真实驾驶中的复杂动态；而数据驱动模型虽在预测精度上有所提升，却普遍面临可解释性弱、泛化能力不足以及安全边界模糊等问题，例如神经网络与长短期记忆模型在部分数据集上表现出较高的碰撞风险。在数据集构建过程中，研究团队面临多重挑战：首先，原始数据来源多样，格式与标准不一，需要进行大量的数据清洗、对齐与事件提取工作；其次，为确保事件的代表性与可比性，需设计严谨的筛选规则以排除长时间低速或停滞的片段，并采用Savitzky-Golay滤波器对轨迹噪声进行平滑处理；最后，构建覆盖混合交通流等新兴场景的基准，要求对包含自动驾驶车辆的数据进行有效整合与标注，这对数据工程的完备性提出了较高要求。

常用场景

经典使用场景

在微观交通流建模领域，FollowNet数据集为车辆跟驰行为的精确刻画提供了标准化评估基准。该数据集整合了来自HighD、NGSIM、Waymo等五个公开驾驶数据源的超过八万条跟驰事件，覆盖高速公路、城市街道等多种道路类型及不同天气条件。研究者可利用其一致的数据格式与评估指标，系统性地训练和对比传统模型与数据驱动模型在跟驰间距预测、碰撞避免等核心任务上的性能，从而推动跟驰模型向更高精度与安全性演进。

衍生相关工作

围绕FollowNet数据集，已衍生出一系列聚焦于跟驰行为建模的经典研究工作。例如，基于深度强化学习的DDPG模型在该基准上展现出优异的间距控制与零碰撞性能；长短期记忆网络与全连接神经网络被广泛应用于跟驰序列的时序预测；此外，研究者进一步探索了图神经网络在车辆交互建模、元学习在跨数据集自适应、以及生成模型在跟驰事件合成等方面的应用。这些工作共同推动了跟驰模型从传统数学描述向数据驱动、可解释、强泛化的智能体决策范式转变。

数据集最近研究

最新研究方向

在微观交通流建模领域，FollowNet数据集的建立标志着车跟驰行为研究迈入标准化与系统化的新阶段。该数据集整合了来自HighD、NGSIM、Waymo等五个公开驾驶数据集的超过八万次车跟驰事件，覆盖高速公路、城市街道、混合交通流及不同天气条件，为模型评估提供了统一且多样化的基准。当前研究前沿聚焦于利用深度强化学习（如DDPG）等数据驱动方法提升跟驰模型的预测精度与安全性，同时探索在自动驾驶与人工驾驶车辆共存的混合交通环境中的行为建模。此外，如何增强模型的可解释性、跨数据集泛化能力，以及结合图神经网络、元学习等先进算法以应对复杂交通互动，成为领域内热点议题。FollowNet通过开源数据与代码，显著促进了车跟驰模型的横向比较与迭代优化，对推动智能交通系统的发展具有重要实践意义。

相关研究论文

• FollowNet: A Comprehensive Benchmark for Car-Following Behavior Modeling

  香港科技大学（广州） · 2023年