冲突解决数据集

冲突解决数据集是由代尔夫特理工大学开发的高质量数据集，源自Argoverse-2运动预测数据。该数据集包含5000多个自动驾驶车辆与人类道路用户冲突解决案例，以及16000多个无自动驾驶车辆的冲突解决案例。数据集通过特定的数据处理流程，选择感兴趣的场景，纠正数据错误，并增强原始数据，确保运动数据的平滑和一致性。此开放数据集包含多样化和平衡的冲突解决机制，适用于比较自动驾驶车辆参与和非参与场景下的冲突解决行为。数据集的应用领域包括评估自动驾驶车辆对城市交通的安全和效率影响，为研究人员提供宝贵的资源，以深入了解自动驾驶车辆的可能影响。The Conflict Resolution Dataset is a high-quality dataset developed by Delft University of Technology, sourced from the Argoverse-2 motion forecasting dataset. This dataset contains over 5,000 conflict resolution cases involving autonomous vehicles and human road users, as well as more than 16,000 conflict resolution cases without autonomous vehicle participation. Through a dedicated data processing pipeline, the dataset selects scenes of interest, corrects data errors, and enhances the original data to ensure the smoothness and consistency of motion data. This open dataset features diverse and balanced conflict resolution mechanisms, and is suitable for comparing conflict resolution behaviors in scenarios with and without autonomous vehicle involvement. Its application areas include evaluating the safety and efficiency impacts of autonomous vehicles on urban traffic, providing valuable resources for researchers to gain in-depth insights into the potential impacts of autonomous vehicles.

搜集汇总

数据集介绍

构建方式

该数据集源自Argoverse-2运动预测数据集，通过一套精心设计的数据处理流水线构建而成。首先，基于轨迹交叉、最小距离与冲突时间等启发式规则，筛选出自动驾驶车辆（AV）参与及无AV参与的冲突解决场景。随后，对原始轨迹数据进行质量评估，识别并修正位置与速度之间的不一致性，并采用小波去噪与速度积分等方法重建平滑、一致的轨迹。同时，对矢量地图进行重新分段与合并，以提升可用性。最终，获得了超过5000个AV参与和16000个无AV参与的冲突解决案例，涵盖多样化的冲突类型与交通参与者。

特点

该数据集的核心特点在于其高质量与高多样性。轨迹数据经过严格校正后，速度与位置高度一致，异常加速度与急动度显著降低，确保了行为分析的可靠性。数据集涵盖了车辆-车辆、车辆-行人、车辆-自行车等多种冲突类型，并根据相对运动方向将冲突分为平行、交叉、对向等九种模式，分布均衡。此外，数据集标注了冲突类型与通过顺序，便于研究者针对不同场景进行子集分析。这种丰富的标签体系与平衡的冲突分布，使其成为研究AV对交通安全与效率影响的理想资源。

使用方法

数据集以开源形式发布，可通过GitHub仓库获取，并提供了Python接口（av2-api）用于读取、处理与可视化。研究者可直接加载轨迹与地图数据，利用预定义的冲突类型与通过顺序标签进行分组分析。数据集支持计算后侵入时间（PET）、停车距离比例（PSD）等替代安全指标，以及作者提出的最小重复清除时间（MRCT）效率指标。通过比较AV参与与无AV参与场景下的指标分布，可量化AV对冲突解决安全性与效率的影响，尤其适用于分析人类交通参与者对AV的行为适应性。

背景与挑战

背景概述

随着自动驾驶车辆在混合交通流中的部署日益普遍，确保其与人类道路使用者之间的安全与顺畅互动成为关键议题。交叉口作为交通流汇聚的枢纽，其冲突解决行为直接影响驾驶安全与通行效率。然而，现有公开数据集多聚焦于跟驰场景，缺乏针对交叉口冲突解决的高质量数据。为此，代尔夫特理工大学的研究团队于2023年从Argoverse-2运动预测数据中提取并处理了冲突解决数据集，包含超过5000个自动驾驶车辆参与和16000个无自动驾驶车辆的冲突解决案例。该数据集通过创新的数据处理流程纠正了原始数据的运动不一致性，并提供了多样化的冲突场景分类，为评估自动驾驶车辆在交叉口的安全与效率影响奠定了坚实基础。

当前挑战

该数据集面临的核心挑战包括：首先，交叉口冲突解决场景具有高度复杂性，涉及二维多方向互动与多类型交通参与者（如行人、自行车），而现有驾驶模拟器难以真实模拟人类对自动驾驶车辆非人类行为的反应，需依赖自然驾驶数据。其次，原始Argoverse-2数据存在位置与速度不一致的系统性误差，尤其在非自动驾驶车辆轨迹中显著，需设计专门的数据校正与平滑流程。此外，构建过程中需从海量数据中精确筛选冲突事件，定义合理的冲突检测规则（如最小距离、后侵占时间阈值），并平衡自动驾驶车辆与无自动驾驶车辆场景的多样性。最后，缺乏适用于任意交叉口布局的冲突解决效率度量指标，传统指标受限于交叉口几何特征，难以直接应用于非重复观测场景。

常用场景

经典使用场景

在智能交通系统与自动驾驶交叉研究领域，冲突解决数据集为分析人车混行环境下交叉口交互行为提供了关键支撑。该数据集源自Argoverse-2运动预测数据，通过精密的数据处理管道，筛选出超过5000例自动驾驶车辆与人类道路使用者之间的冲突解决场景，以及16000余例无自动驾驶车辆参与的冲突案例。其经典使用场景聚焦于交叉口冲突解决行为的量化分析，涵盖车辆-车辆、车辆-行人等多类型交互，并依据相对运动方向细分为九种冲突模态，为研究者提供了丰富且均衡的样本基础。

衍生相关工作

该数据集的发布催生了多项衍生研究工作。在方法论层面，研究者基于其冲突模态分类体系，开发了针对特定交互类型的深度学习预测模型，如面向左转冲突的轨迹预测与行为生成框架。在评估体系方面，最小重复清空时间度量被后续工作扩展为通用交叉口效率指标，应用于无信号交叉口的容量估算与自动驾驶控制策略的优化。此外，数据集对行人行为异质性的揭示，推动了面向行人-自动驾驶交互安全的专用数据集构建与行为建模研究，形成了从数据采集、行为分析到策略验证的完整研究链条。

数据集最近研究

最新研究方向

在智能交通系统与自动驾驶技术深度融合的浪潮中，交叉口作为城市路网的咽喉要道，其冲突消解行为的安全性与效率评估成为前沿热点。该冲突解决数据集基于Argoverse-2运动预测数据构建，通过创新的数据清洗与增强流水线，提取了5000余例自动驾驶车辆（AV）参与及16000余例纯人类驾驶的冲突消解场景，填补了现有开放数据集中AV-人类交互轨迹的空白。研究利用替代安全度量与所提出的最小重复清除时间（MRCT）指标，揭示了AV在交叉口冲突中采取的安全优先策略虽使平均效率下降8.6%，但人类驾驶员对AV的反应与对人类车辆无显著差异，而行人则表现出更保守且多样的行为调整。该数据集为量化评估AV对城市交通的潜在影响提供了关键实证基础，并推动了从微观交互到宏观交通流效率评估的方法论创新。

相关研究论文

• A Conflict Resolution Dataset Derived from Argoverse-2: Analysis of the Safety and Efficiency Impacts of Autonomous Vehicles at Intersections

  代尔夫特理工大学 · 2023年