Lyft level-5 开放数据集中的车辆跟随数据集

本数据集基于Lyft level-5开放数据集，由荷兰代尔夫特理工大学交通与规划系创建，专注于自动驾驶车辆与人类驾驶车辆之间的跟随行为研究。数据集包含29k+人类驾驶车辆跟随自动驾驶车辆（H-A）和42k+人类驾驶车辆跟随人类驾驶车辆（H-H）的轨迹数据，总行驶距离超过150,000公里。创建过程中，通过异常分析评估原始数据质量，并采用运动规划、卡尔曼滤波和波形去噪技术进行数据校正和增强。该数据集适用于校准车辆跟随模型，研究自动驾驶车辆对混合城市交通的影响，旨在提高交通流的安全性和效率。

This dataset is developed based on the Lyft Level-5 Open Dataset, created by the Department of Transport and Planning of Delft University of Technology in the Netherlands, and focuses on research on car-following behaviors between autonomous vehicles (AVs) and human-driven vehicles (HDVs). It includes over 29,000 trajectory records of human-driven vehicles following autonomous vehicles (H-A pairs) and over 42,000 trajectory records of human-driven vehicles following other human-driven vehicles (H-H pairs), with a total driving distance exceeding 150,000 kilometers. During the dataset construction, the quality of the original data was assessed through anomaly analysis, and data correction and enhancement were conducted using motion planning, Kalman filtering, and waveform denoising technologies. This dataset can be used for calibrating car-following models and studying the impacts of autonomous vehicles on mixed urban traffic, aiming to enhance the safety and efficiency of traffic flows.

搜集汇总

数据集介绍

构建方式

Lyft level-5 开放数据集中的车辆跟随数据集通过对 Lyft level-5 数据集进行数据提取和增强处理构建而成。首先，根据特定的规则选择车辆跟随对，然后通过异常分析评估原始数据的质量。接着，利用运动规划、卡尔曼滤波和小波去噪等方法对原始车辆跟随数据进行校正和增强。最终，得到了 29k+ 个 HV-following-AV 和 42k+ 个 HV-following-HV 的车辆跟随片段，总行驶距离超过 150k+ 公里。此外，还对数据集的多样性进行了评估，确保了数据集能够覆盖完整的车辆跟随状态，以用于校准车辆跟随模型。

特点

该数据集的特点在于其包含了真实世界中的车辆跟随数据，且数据质量高，可以直接用于车辆跟随模型的校准和训练。数据集涵盖了多样化的车辆跟随状态，如自由加速、自由减速、巡航、跟随加速、跟随减速、恒速跟随和停车。此外，数据集还提供了车辆的大小信息，这对于计算安全性和效率指标至关重要。最后，数据集是开放的，可以免费使用，方便研究人员进行相关研究。

使用方法

使用该数据集时，首先需要下载 Lyft level-5 数据集和相关的 Python 工具包 l5kit。然后，根据论文中提供的数据处理流程，对原始数据进行筛选、评估和增强处理。处理完成后，可以根据需要读取和筛选特定的车辆跟随数据。例如，可以筛选出跟随自动驾驶车辆的 HV 数据，或筛选出跟随人类驾驶车辆的 HV 数据。此外，还可以根据车辆跟随状态进行筛选，以便研究不同状态下的车辆跟随行为。最后，可以将处理后的数据用于车辆跟随模型的校准和训练，以更好地理解和预测车辆跟随行为。

背景与挑战

背景概述

车辆跟随（Car-Following，CF）作为基本的驾驶行为，对交通流的效率和安全性有着显著影响。研究人类驾驶员在跟随自动驾驶车辆（AV）与传统人类驾驶车辆（HV）时的不同反应，对于混合交通流的安全和效率至关重要。自动驾驶车辆的轨迹数据集为该领域的研究提供了新的视角。然而，自动驾驶车辆收集的轨迹数据存在噪声问题，难以直接用于研究CF行为。本文从开放的Lyft level-5数据集中提取并增强了两种类型的CF数据：HV跟随AV（H-A）和HV跟随HV（H-H）。首先，根据特定规则选择CF对。然后，通过异常分析评估原始数据的质量。最后，通过运动规划、卡尔曼滤波和小波去噪对原始CF数据进行纠正和增强。最终，获得了29k+ H-A和42k+ H-H车辆跟随段，总驾驶距离超过150k+公里。多样性评估表明，处理后的数据涵盖了完整的CF状态，可用于校准CF模型。这个开放且易于使用的数据集为从真实世界数据中研究AV和HV的CF行为提供了机会。

当前挑战

该数据集面临的挑战包括：1）解决领域问题：自动驾驶车辆对交通流的影响尚不清楚，这取决于自动驾驶车辆的性能以及人类驾驶员对自动驾驶车辆的应对反应。2）构建过程中遇到的挑战：自动驾驶车辆收集的轨迹数据存在噪声问题，难以直接用于研究CF行为。此外，原始数据中存在异常值和缺失数据，需要进行处理以提高数据质量。为了解决这些问题，研究人员提出了一种数据处理流程，包括CF对的选择、评估和增强。该流程包括缺失数据填充、速度估计的卡尔曼滤波、加速度平滑的小波去噪和车辆尺寸处理。处理后的数据集异常值比例显著降低，且涵盖了多种CF状态，可用于校准CF模型。

常用场景

经典使用场景

自动驾驶车辆在现实世界中的车辆跟随行为对于交通流的安全和效率至关重要。Lyft level-5 开放数据集中的车辆跟随数据集提供了一个宝贵的机会来研究自动驾驶车辆与人工驾驶车辆之间的区别。通过对 Lyft level-5 数据集的处理，该数据集提取并增强了两种类型的车辆跟随数据：自动驾驶车辆跟随人工驾驶车辆 (H-A) 和人工驾驶车辆跟随人工驾驶车辆 (H-H)。这些数据涵盖了从城市到郊区各种交通环境下的车辆跟随行为，为研究人员提供了一个全面的数据集来研究车辆跟随行为。

解决学术问题

该数据集解决了自动驾驶车辆对交通流影响的评估问题。通过比较自动驾驶车辆跟随人工驾驶车辆和人工驾驶车辆跟随人工驾驶车辆的车辆跟随行为，研究人员可以更好地理解自动驾驶车辆对交通流的影响。此外，该数据集还涵盖了从自由加速到停滞的各种车辆跟随模式，为车辆跟随模型的校准和训练提供了丰富的数据。

衍生相关工作

该数据集的发布促进了相关领域的研究。例如，研究人员可以使用该数据集来研究自动驾驶车辆对交通流的影响，开发更安全的自动驾驶系统，并优化交通管理和规划。此外，该数据集还可以用于开发新的车辆跟随模型，更好地描述自动驾驶车辆和人工驾驶车辆的车辆跟随行为。