SceNDD

SceNDD是一个基于场景的自然驾驶数据集，由交通与自动驾驶系统研究所(TASI)在印第安纳波利斯市中心通过装备车辆收集。数据集包含68个驾驶会话，每个会话由不同驾驶员进行，持续20至40分钟。数据集内容包括自车及非自车的轨迹点、速度、偏航角等信息，以及非自车的进入和退出时间。创建过程中，使用了联合概率数据关联(JPDA)跟踪器来检测道路上的非自车。数据集的应用领域主要集中在开发高效的运动规划和路径跟踪算法，旨在解决自动驾驶车辆在复杂交通环境中的导航问题。SceNDD is a scenario-based natural driving dataset collected by the Institute of Transportation and Autonomous Driving Systems (TASI) using instrumented vehicles in downtown Indianapolis. This dataset contains 68 driving sessions, each conducted by a distinct driver, with durations ranging from 20 to 40 minutes. The dataset includes information such as trajectory points, speed, and yaw angle of both the ego vehicle and non-ego vehicles, as well as the entry and exit times of non-ego vehicles. During its creation, a Joint Probabilistic Data Association (JPDA) tracker was employed to detect non-ego vehicles on the road. The primary application scenarios of this dataset focus on developing efficient motion planning and path tracking algorithms, aiming to address the navigation challenges of autonomous vehicles in complex traffic environments.

搜集汇总

数据集介绍

构建方式

在自动驾驶与智能网联车辆技术蓬勃发展的背景下，高质量的自然驾驶数据集成为算法验证与评估的关键基石。SceNDD数据集依托一辆搭载六台相机、64线Ouster激光雷达及RTK-GPS模块的仪器化车辆，在美国印第安纳波利斯市中心完成了68次、每次20至40分钟的真实驾驶数据采集。构建过程中，首先利用Savitzky-Golay滤波器对GPS数据进行平滑处理，提取自车轨迹与速度；随后采用联合概率数据关联（JPDA）算法对激光雷达点云进行多目标检测与跟踪，获取非自车参与者的位置、速度与航向角。所有数据经时间同步后，借助MATLAB场景生成器将原始信息转化为结构化的驾驶场景，每个场景以60秒为时间窗口，包含自车与非自车参与者的航点、速度及道路信息。

特点

该数据集的核心特色在于其卓越的灵活性与场景多样性。与仅聚焦于感知任务的数据集不同，SceNDD专门捕捉真实驾驶中的运动特征与行为模式，涵盖68次不同驾驶员的自然驾驶行为，确保了轨迹与行为的广泛代表性。其独到之处在于用户可在生成的场景中自由添加或移除参与者、传感器、车道、道路及障碍物，从而定制化模拟环境，适应不同算法测试需求。此外，数据集支持灵活的时间预测窗口，因其场景按时间戳划分，便于研究者设定历史与预测时长。这种高度可扩展性使得SceNDD不仅适用于运动规划与路径跟踪，还能服务于碰撞场景模拟与驾驶行为分析。

使用方法

SceNDD数据集的使用依托于MATLAB驾驶场景设计器，用户可直接加载预设场景文件，可视化呈现自车与非自车参与者的动态轨迹。每个场景以10Hz频率输出，提供所有车辆在每个时间戳的航点、航向角与速度信息。研究者可将场景导出为MATLAB函数，通过修改自车或非自车参与者的参数，模拟潜在碰撞情景或极端驾驶条件。同时，用户能向现有场景中添加安全护栏、障碍物或额外交通参与者，以逼近真实道路环境。该数据集特别适合用于开发与验证运动规划、路径跟踪及交互预测算法，为自动驾驶系统的闭环仿真测试提供了坚实的数据基础。

背景与挑战

背景概述

随着智能网联汽车技术的迅猛发展，运动规划作为其核心环节，亟需高质量基准数据集以支撑算法研发与验证。在此背景下，印第安纳大学与普渡大学印第安纳波利斯联合分校的研究团队联合丰田汽车北美安全研究中心，于2022年底提出了SceNDD（Scenario-based Naturalistic Driving Dataset）数据集。该数据集基于印第安纳波利斯市区真实驾驶环境，由68次不同驾驶员的自然驾驶数据采集而成，单次时长20至40分钟。其核心研究问题在于提供包含多样化行驶轨迹与驾驶行为的真实场景，以支持运动规划与控制算法的开发。与现有数据集相比，SceNDD不仅提供自车与非自车交通参与者的精确轨迹、速度、偏航角等状态信息，还赋予用户灵活添加传感器、车道、障碍物等要素的能力，从而在场景可定制性方面展现出独特优势，对推动自动驾驶验证与仿真研究具有重要价值。

当前挑战

SceNDD数据集在构建与应用过程中面临多重挑战。首先，在领域问题层面，现有数据集多聚焦于感知任务，而SceNDD致力于填补运动规划与行为预测领域的场景多样性不足，其挑战在于如何从有限的68次驾驶会话中提取出覆盖复杂城市交通环境（如交叉口转向、盲区交互、信号灯场景）的典型行为模式，并确保轨迹数据的高保真度。其次，在构建过程中，数据融合与目标跟踪是技术难点：研究团队仅依赖GPS与LiDAR数据，通过联合概率数据关联算法进行多目标检测，但算法在密集交通场景下易出现轨迹噪声或车辆跟踪混淆，需人工借助摄像头影像进行校验与修正。此外，道路网络信息尚未包含车道级数据，未来需引入高精度地图以提升场景语义完整性，同时传感器时间同步与点云处理流程的优化也是持续面临的工程挑战。

常用场景

经典使用场景

SceNDD数据集作为以场景为基础的自然驾驶数据集，广泛应用于自动驾驶领域的运动规划与路径跟踪算法开发。研究者利用其提供的自车与非自车的高精度轨迹、速度、偏航角及时间戳信息，在仿真环境中复现真实城市驾驶场景，从而评估和优化算法的鲁棒性与适应性。该数据集尤其适合用于多车交互场景下的行为预测与决策规划研究。

解决学术问题

该数据集有效解决了现有自动驾驶数据集中缺乏多样化真实驾驶轨迹与行为数据的问题。传统数据集多聚焦于感知任务，而SceNDD提供了丰富的运动特征，支持研究者深入探究复杂交通环境中的车辆交互行为。其灵活的场景定制能力使得学术研究能够模拟不同驾驶情境，推动了运动预测、路径规划及控制算法验证方法的进步。

衍生相关工作

SceNDD数据集衍生了一系列相关工作，包括基于联合概率数据关联算法的多目标跟踪技术研究，以及结合相机与激光雷达数据融合的场景增强方法。后续研究还探索了利用该数据集进行驾驶行为建模与交通流分析，并开发了基于MATLAB的场景生成工具，进一步扩展了其在仿真测试与算法验证中的应用范围。