EV Platoon Dataset for OPD/TPD Car-Following Experiments

这是一个现场收集的电动汽车编队数据集，旨在研究单踏板驾驶和双踏板驾驶下的跟车行为，包括手动驾驶和自适应巡航控制模式。数据集包含一辆ICE领头车和三辆跟随电动车的同步10Hz GPS轨迹数据。

This is a field-collected electric vehicle (EV) platoon dataset, which aims to study car-following behaviors under single-pedal and dual-pedal driving modes, including both manual driving and adaptive cruise control (ACC) modes. The dataset contains synchronized 10Hz GPS trajectory data of one ICE-powered leading vehicle and three following electric vehicles.

原始信息汇总

EV Platoon Dataset for OPD/TPD Car-Following Experiments 数据集概述

数据集简介

• 该数据集为现场采集的电动车队列数据集，专门用于研究单踏板驾驶和双踏板驾驶模式下的跟车行为。
• 研究场景涵盖人工驾驶和自适应巡航控制两种控制模式。
• 数据集包含同步的10Hz GPS轨迹数据，采集自一辆内燃机前导车和三辆跟随的电动车。

数据获取

• 数据集存储于Google Drive平台
• 下载地址：https://drive.google.com/drive/folders/18L-EAKB0W2g7jJbiFH8zRxq0K0Toa28y?usp=sharing

数据采集场地

• 实验在佐治亚州72号公路直线路段进行，靠近佐治亚大学
• 道路选择标准：平坦一致坡度、清晰车道标线、周围交通量小、外部干扰少
• 所有实验均在非高峰时段进行

实验车队与设备配置

车辆组成

位置	车辆型号	类型	功能特性
前导车	2021款雷克萨斯UX200	内燃机	配备ACC
第二位	2024款福特野马Mach-E	电动车	OPD + ACC
第三位	2023款起亚Niro EV	电动车	OPD + ACC
第四位	2023款起亚Niro EV	电动车	OPD + ACC

GPS测量设备

• 所有车辆配备RaceBox 10Hz GPS单元
• 位置精度约10厘米
• 速度噪声约0.1-0.3米/秒
• 各车辆安装位置保持一致

实验设计

实验变量

• 踏板模式：OPD vs TPD
• 控制模式：ACC vs 人工驾驶
• 车头时距设置：最长 vs 最短（仅ACC模式）
• 前导车速度适应率：低 vs 高

实验配置表

实验编号	踏板模式	控制模式	车头时距	适应率
1	OPD	ACC	最长	低
2	OPD	ACC	最长	高
3	TPD	ACC	最长	低
4	TPD	ACC	最长	高
5	OPD	ACC	最短	低
6	OPD	ACC	最短	高
7	TPD	ACC	最短	低
8	TPD	ACC	最短	高
9	OPD	人工	不适用	低
10	OPD	人工	不适用	高
11	TPD	人工	不适用	低
12	TPD	人工	不适用	高

前导车速度曲线

前导车遵循预设动态速度轨迹：

1. 加速阶段：0→55英里/小时
2. 高速振荡：55-50英里/小时，55-45英里/小时
3. 过渡减速：55→35英里/小时
4. 低速振荡：35-30英里/小时，35-25英里/小时
5. 减速至停止

搜集汇总

数据集介绍

构建方式

在智能交通系统研究领域，为深入探究电动汽车跟驰行为特性，本数据集通过实地车队实验构建而成。研究团队在佐治亚州72号公路选定平直低流量路段，采用一辆燃油前导车与三辆电动跟随车组成编队，通过RaceBox 10Hz高精度GPS设备同步采集车辆轨迹数据。实验设计涵盖单踏板与双踏板驾驶模式、自适应巡航与人工控制等12种工况组合，前导车按预设速度曲线运行以诱发可重复的振荡模式，所有数据均在非高峰时段采集以确保环境一致性。

特点

该数据集在电动汽车行为研究领域具有显著特色，其核心价值在于同步记录了四辆车的10Hz高精度轨迹数据，位置精度达10厘米级。数据内容全面覆盖单踏板与双踏板驾驶模式在自适应巡航和人工控制下的对比表现，特别包含极端跟车距离设置与不同速度适应率的组合工况。实验车辆选用主流电动车型并配备先进驾驶辅助系统，所有GPS设备采用统一安装标准，为研究振荡传播机理和踏板模式对跟驰行为的影响提供了独特的数据支撑。

使用方法

研究人员可通过谷歌云盘链接获取原始数据集，解压后可见按实验编号组织的CSV格式轨迹文件。每个文件包含时间戳、经纬度坐标、速度及加速度等字段，数据采样频率为10Hz。使用前建议进行坐标统一转换和异常值筛选，可结合车辆动力学模型分析跟车距离变化规律，或通过频谱分析方法研究速度振荡传播特性。该数据集特别适用于开发数据驱动的跟驰模型，验证自适应控制算法在单踏板驾驶场景下的适应性，亦可作为评估驾驶行为稳定性的基准数据。

背景与挑战

背景概述

随着电动汽车技术的快速发展，单踏板驾驶模式逐渐成为新型电动汽车的核心交互方式，其对车辆跟驰行为的影响亟待系统研究。2026年，佐治亚大学研究团队在交通运输研究委员会年度会议上发布了TPD车辆跟驰实验数据集，该数据集通过控制实验采集了四辆车辆组成的编队数据，其中包含一辆传统内燃机前导车和三辆跟随的电动汽车。研究聚焦于单踏板与双踏板驾驶模式下，人工驾驶与自适应巡航控制系统对跟驰行为的差异化影响，填补了电动汽车人机交互研究领域的空白。

当前挑战

该数据集致力于解决智能交通系统中电动汽车跟驰行为建模的复杂性挑战，特别是在单踏板驾驶模式下驾驶员对加速与制动集成控制的适应性难题。数据构建过程中面临多重挑战：实验设计需平衡驾驶模式、控制系统、车头时距等变量的组合复杂度；高精度GPS数据同步要求厘米级定位精度与毫秒级时间对齐；此外，驾驶员对单踏板驾驶的操作熟练度差异可能引入行为噪声，而真实道路环境中不可控的交通流扰动亦增加了数据纯净度的保障难度。

常用场景

解决学术问题

该数据集有效解决了电动汽车跟驰行为研究中的数据稀缺问题，特别是在单踏板驾驶这一新兴技术领域。通过系统采集不同驾驶模式和控制策略下的车辆运行数据，为量化分析驾驶行为特征、评估自适应巡航控制系统性能提供了实证依据。这些数据有助于揭示新型驱动方式对交通安全和通行效率的影响机制，推动智能驾驶理论体系的完善与发展。

衍生相关工作

基于该数据集衍生的研究工作主要集中在驾驶行为建模和控制系统设计领域。学者们利用这些高质量实验数据，开发了多种考虑单踏板驾驶特性的跟驰模型，完善了传统交通流理论。同时，该数据集也催生了针对电动汽车特性的新型控制算法研究，为下一代智能驾驶系统的开发提供了理论支撑和技术路线。