DriveDNA

用于驾驶风格识别的大规模多模态自然驾驶数据集和基准Large-scale Multimodal Naturalistic Driving Dataset and Benchmark for Driving Style Recognition

原始信息汇总

🧬 DriveDNA 数据集概述

DriveDNA 是一个大规模多模态自然驾驶数据集与基准测试，专注于驾驶风格识别——即区分"谁在驾驶"与"驾驶什么车辆、在什么路况下行驶"。该数据集包含时间同步的 CAN 遥测数据（10 Hz） 和前视道路视频，覆盖数百名驾驶员和多种车辆型号，且仅保留人工控制驾驶片段（移除自动化系统介入的帧）。

核心亮点

属性	数值
驾驶员数量	465 名（使用加盐哈希标识，跨车辆一致）
车辆型号	115 种，覆盖 26 个品牌
驾驶行程	4,121 次解码行程（2023 年 3 月 – 2026 年 7 月，跨大洲）
人工驾驶时长	总计 975 小时，其中行驶状态 581 小时
基准窗口	62,674 个 60 秒窗口，来自 428 名驾驶员（355 名在冻结划分中）
标注	6 种驾驶场景 · 8 种行为原语（审计一致率 93.0%）· 276,248 个机动事件（含 22,322 个经单独验证的变道事件）

模态与信号

所有数据流从 openpilot 日志解码并重采样至统一的 10 Hz 网格，主要信号包括：

• 速度与加速度：vEgo、aEgo（含 jerk），表征纵向激进程度
• 驾驶员转向输入：steeringAngleDeg、steeringRateDeg（依赖车辆转向比）
• 实际路径曲率：actual_curvature（车辆归一化的实际行驶路径）
• 独立感知转向：yaw_rate → curv_measured
• 前车信息：leadOne_dRel/vRel/status（雷达），用于 THW、TTC、间距偏好
• 踏板操作：gas、brake（部分车队子集）
• 车道偏移：laneLeft_y、laneRight_y，用于车道保持（SDLP）评估

关键区分：steeringAngleDeg 是依赖车辆的原始转向输入，而 actual_curvature 是车辆归一化的实际行驶路径——两者的差异为"谁 vs 哪辆车"问题提供了信号层面的分析手段。

基准任务与划分

任务类型	输入 → 输出	评估指标
驾驶员重识别（核心）	k 分钟支持集 → 驾驶员身份	Top-k, AUROC, EER
个性化行为预测（核心）	5 秒历史 → 1–5 秒未来运动	RMSE, PG, MMD/KL/W1
条件匹配比较（核心）	匹配窗口对 → 是否同一驾驶员	AUROC, EER
事件预测（可选）	5 秒历史 → 1–5 秒内事件	AP, AUROC, 提前时间
风格解释（可选）	事件窗口 → 类别 + 证据	accuracy（探索性）

主划分为驾驶员不相交的 212 训练 / 45 验证 / 45 测试，另有 53 名驾驶员的少样本保留集。额外冻结清单隔离泛化来源：同型号（同车型不同驾驶员，24 种车型）、跨车辆（同一驾驶员不同车辆）、条件匹配对（14,868 对）、缺失通道鲁棒性。

关键结果

发现	证据
学习表示 ≫ 经典描述符	未见驾驶员上 AUROC .935 vs .707
驾驶员信号在条件匹配下仍存在	14,868 对匹配对 .811 ± .006（描述符 → .550，随机水平）
高重识别 ≠ 驾驶风格	纯视频探针达 .937 重识别但路线预测为随机的 347 倍；匹配后降至 .675
识别 ≠ 预测	最佳重识别嵌入对预测无增益（−0.2%）；任务对齐 FiLM 条件化 +0.4 至 +1.4%
基础模型需要适配	零样本 LLM/TS/VLM 行低于或等于描述符水平；1 轮 LoRA 将 Qwen3-8B 提升至事件预测 .871

数据发布

层级	内容
公开	去标识 10 Hz 信号表 · 冻结视频嵌入（DINOv2/DINOv3/SigLIP2/V-JEPA 2）· 所有划分清单 · VLM 场景属性 · 评估框架 · 基线训练代码
受限（DUA）	原始前视视频（人脸/车牌模糊），仅限研究用途

公开层级可复现论文中的所有数字。数据文件位于 Hugging Face，仓库仅包含代码。

数据布局规划包括：windows.parquet（62,674 个窗口）、windows_x.npy（[62674, 600, 17] 的 10 Hz CAN 窗口）、maneuver_events.parquet（276,248 个事件）以及划分和嵌入文件。

伦理与隐私

• 数据收集自社区驾驶员，获得知情同意并给予补偿，遵守来源平台条款
• 驾驶员标识使用加盐哈希；VIN、设备标识和 GPS 坐标已移除；无车内视频/音频；受限视频层级中人脸和车牌已模糊
• 禁止：重识别尝试；保险、就业或执法层面对个人评分
• 提供下架联系人，供任何驾驶员要求从未来版本中移除

引用

该数据集对应的论文为《DriveDNA: A Large-Scale Multimodal Naturalistic Driving Dataset and Benchmark for Driving Style Identification》（arXiv:2607.23822），由南佛罗里达大学与亚利桑那大学的研究团队于 2026 年发布，正投稿 KDD 2027 Datasets & Benchmarks 赛道。

搜集汇总

数据集介绍

构建方式

DriveDNA数据集的构建立足于真实世界自然驾驶场景，整合了来自465名驾驶员、115种车型（涵盖26个品牌）的4121次驾驶行程，并同步采集10Hz的CAN总线遥测数据与前视道路视频。通过剔除自动辅助驾驶介入时段，仅保留人工驾驶片段，最终形成975小时的有效数据。数据集采用去标识化处理，以加盐哈希标识驾驶员身份，并移除GPS及车辆识别信息。在此基础上，划分出含62,674个60秒时间窗的基准评估子集，覆盖6种驾驶情景与8种行为原语，并经人工审核标注了276,248个机动事件，其中包括22,322个独立验证的变道事件。同时提供冻结的划分清单，确保评估的公平性与可重复性。

特点

该数据集最显著的特点在于其多维度、多层次的驾驶风格表征能力。它明确区分了驾驶员输入（如方向盘转角）与车辆实际轨迹（如曲率），从信号层面剖析‘谁在开车’与‘开什么车’的混淆效应。通过车辆模型探测实验，发现仅基于原始转向角可达到2.3倍于随机水平的识别率，而基于归一化曲率则接近随机，揭示了车型与道路条件等混杂因素对风格识别的干扰。数据集内置了三种核心任务（驾驶员再识别、个性化行为预测、条件匹配比较）及两种可选任务（事件预测、风格解释），并配套多组消融清单（如同车型不同驾驶员、跨车辆同驾驶员），专门用于诊断模型是否真正捕捉了驾驶风格而非环境捷径。

使用方法

使用DriveDNA时，研究者可按照官方提供的标准化流程进行操作。首先，从Hugging Face下载公开数据层，包括统一为10Hz频率的信号数据表、预提取的视觉嵌入特征（如DINOv2、SigLIP2等）以及预先划分好的训练集（212名驾驶员）、验证集（45名）和测试集（45名）。其次，利用仓库中自带的评估框架（harness.py）和三类核心任务的官方实现，可快速复现论文中的30种基线配置结果。数据还支持少样本学习场景（53名驾驶员的支持集与查询集严格来自不同行程）。对于需要原始视频的研究者，可通过签署数据使用协议获取模糊化处理后的门控数据。公开层数据足以复现论文全部数值，而提供泄漏探测工具可帮助用户衡量模型是否过度拟合了非风格相关因素。

背景与挑战

背景概述

DriveDNA数据集由南佛罗里达大学与亚利桑那大学的研究团队于2026年构建，旨在探索个性化驾驶风格识别这一核心研究问题。该数据集汇聚465名驾驶员、115种车型及4121次真实驾驶记录，同步采集10Hz的CAN总线遥测数据与前视道路视频，并剔除了自动化介入的片段，确保数据反映纯人工驾驶行为。其独特之处在于首次公开实现了多驾驶员×多车辆×多会话的跨场景覆盖，并配套设计驾驶员分离的评估协议与混淆因子诊断机制，为驾驶风格建模提供了可量化、可复现的研究基准，推动了个性化驾驶理解从实验室环境向自然驾驶场景的跨越，对智能驾驶安全与个性化服务领域具有重要影响力。

当前挑战

该数据集面临的挑战主要聚焦于两个层面。在领域问题层面，核心难题在于区分驾驶风格与车辆、路线、环境等混淆因素，确保模型识别的是‘如何驾驶’而非‘驾驶何车’或‘行驶何路’，这要求信号设计具备车辆归一化能力与严格的条件匹配评估。在构建过程层面，数据来自真实社区驾驶员，需处理隐私保护、数据脱敏与伦理合规，同时实现跨车辆、跨车型的身份一致性映射，并克服多源信号的时间同步与噪声干扰。此外，构建包含276,248个操纵事件的大规模标注体系，需兼顾效率与精度，而基础模型在此任务上的泛化性不足，需通过适配策略提升其表现，这些挑战共同构成了数据集设计的复杂性与创新性。

常用场景

经典使用场景

DriveDNA作为首个融合多驾驶员、多车辆及多会话CAN总线与前置视频数据的自然驾驶数据集，为驾驶风格识别提供了全新的基准平台。其核心应用场景聚焦于驾驶员再识别任务，通过对比车辆型号探针与驾驶员身份探针的性能差异，量化模型究竟是真正捕捉了个体驾驶行为特征，还是仅依赖车辆或路线的捷径信息。该数据集设计了三项核心任务——驾驶员再识别、个性化行为预测及条件匹配比较，并配套严苛的驾驶员不相交划分方案与冻结评估协议，使得跨模型、跨设置的公平对比成为可能，从而在统一框架下客观度量驾驶风格建模的泛化能力与鲁棒性。

衍生相关工作

围绕DriveDNA，研究者已催生出一系列衍生性工作。在表征学习层面，基于其公开的冻结视频嵌入（如DINOv2、V-JEPA 2）与多模态信号，后续工作探索了融合视觉-动力学特征的联合嵌入空间；在基础模型适配方向，零样本大语言模型与时间序列模型在该基准上的表现促使了轻量级LoRA微调方法的开发，成功将事件预测准确率提升至0.871。此外，条件匹配协议启发了基于反事实推理的驾驶风格解缠研究，而跨车辆泛化任务则推动了车辆归一化路径特征（如实际曲率）在风格建模中的广泛应用。该数据集亦成为驾驶行为预测、异常事件预警等下游任务的新标准测试场，形成了丰硕的研究生态。

数据集最近研究

最新研究方向

DriveDNA数据集的发布标志着驾驶风格识别领域从传统的固定车辆、小样本实验向大规模自然驾驶场景下的跨车辆、跨条件泛化研究转变。其核心研究方向聚焦于解耦驾驶员身份与车辆、路线及环境等混杂因素，通过引入基准测试和泄漏探测机制，推动模型从‘识别车辆’向‘识别驾驶者’的本质回归。该数据集覆盖465名驾驶员、115种车型及多模态信号，为个性化驾驶行为建模、条件匹配下的身份验证以及基础模型在驾驶场景中的适应性研究提供了全新平台，其关于表示学习、视频捷径效应及任务对齐调制的发现，为构建鲁棒、可解释的驾驶风格理解系统奠定了重要基础。