Waymo Open Dataset

Waymo开放数据集是由Waymo团队提供的大型真实世界车辆数据集，本文中用于构建一个因果基准，以评估模仿学习中的复制猫问题。数据集基于历史位置的不同目标生成未来轨迹，旨在模拟相同输入条件下对不同终点的响应，以测量复制猫问题的影响。该数据集比常用的nuPlan数据集更具挑战性，因为它缺乏路由路径信息。

Waymo Open Dataset is a large-scale real-world vehicle dataset provided by the Waymo team. In this paper, it is utilized to construct a causal benchmark for evaluating the copycat problem in imitation learning. The dataset generates future trajectories based on distinct targets at historical locations, with the goal of simulating responses to different endpoints under identical input conditions, thereby measuring the impact of the copycat problem. This dataset is more challenging than the widely used nuPlan dataset, as it lacks routing path information.

搜集汇总

数据集介绍

构建方式

Waymo Open Dataset的构建采用了大规模真实世界车辆数据采集技术，通过配备先进传感器的自动驾驶车辆在多样化道路环境中收集多模态数据。数据集构建过程严格遵循时空同步原则，利用高精度GPS和IMU实现厘米级定位，并通过专业标注流程对物体检测、跟踪和场景理解任务进行多层次标注。特别值得注意的是，该数据集创新性地采用了闭环仿真验证机制，通过深度优先搜索算法生成多样化驾驶目标点，有效解决了传统开环评估中轨迹依赖初始状态的问题。

使用方法

研究人员可通过官方提供的标准化数据接口加载和使用Waymo Open Dataset。典型使用流程包括：首先利用数据集中的历史轨迹和环境信息进行模仿学习模型训练；然后通过内置的闭环仿真器评估模型在多样化目标点条件下的表现；最后可结合强化学习框架进行策略优化。数据集特别支持分布式训练评估，用户可在多GPU环境下进行大规模实验。为保障研究可比性，建议严格遵循官方划分的训练、验证和测试集，并采用标准化的评估指标如完成率、碰撞率等进行性能衡量。

背景与挑战

背景概述

Waymo Open Dataset是由Waymo（前身为Google自动驾驶项目）推出的一个大规模自动驾驶数据集，旨在推动自动驾驶技术的研究与发展。该数据集首次发布于2019年，包含了丰富的高精度传感器数据（如激光雷达、摄像头、雷达等）以及详细的场景标注，涵盖了多种复杂的驾驶场景。其核心研究问题在于如何通过数据驱动的方法提升自动驾驶系统的感知、预测和规划能力。Waymo Open Dataset已成为自动驾驶领域的重要基准，为学术界和工业界提供了宝贵的研究资源，极大地促进了自动驾驶算法的创新与优化。

当前挑战

Waymo Open Dataset面临的挑战主要包括两个方面：领域问题的挑战和构建过程中的挑战。在领域问题方面，数据集需解决自动驾驶中的复杂场景理解、多模态传感器数据融合以及实时决策规划等核心难题，尤其是在极端天气、密集交通等复杂环境下的性能表现。构建过程中的挑战则包括数据采集的高成本与复杂性，确保数据标注的准确性与一致性，以及处理大规模数据存储与高效访问的技术难题。此外，数据隐私与安全性也是构建过程中不可忽视的重要问题。

常用场景

经典使用场景

Waymo Open Dataset作为自动驾驶领域最具影响力的开源数据集之一，其经典使用场景集中在多智能体运动预测与规划算法的开发与验证。该数据集通过高精度传感器采集的真实道路场景数据，为研究者提供了包含复杂交互行为的城市驾驶场景，特别适用于开发基于机器学习的轨迹预测模型。在典型应用中，研究者利用该数据集1秒的历史轨迹数据，训练模型预测未来8秒内多个交通参与者的运动轨迹，从而评估算法在真实场景中的泛化能力。

解决学术问题

该数据集有效解决了自动驾驶研究中关键学术问题：如何克服模仿学习中的'复制猫问题'。通过提供包含丰富交互场景的真实驾驶数据，研究者能够开发新型算法来区分真正的驾驶策略理解与简单的状态外推。数据集特有的因果基准测试框架，支持在同一初始条件下评估不同终点目标对规划算法的影响，为验证算法的因果推理能力提供了标准化测试平台，显著推动了规划算法可解释性的研究进展。

实际应用

在实际应用层面，Waymo Open Dataset已成为自动驾驶系统开发的事实标准。汽车制造商利用该数据集训练感知系统识别复杂城市环境中的动态物体；科技公司则基于其开发闭环仿真系统，用于验证规划算法的安全性。特别值得注意的是，数据集中的多模态场景（如无保护左转、交叉路口等）为商业化自动驾驶系统应对边缘案例提供了重要测试素材，显著降低了路测成本与风险。

数据集最近研究

最新研究方向

近年来，Waymo Open Dataset在自动驾驶规划领域的研究重点聚焦于解决模仿学习（IL）中的‘模仿者问题’（Copycat Problem）。该问题表现为模型过度依赖初始状态进行简单外推，而非真正理解驾驶规则，导致在罕见或未见场景中泛化能力不足。前沿研究通过开发闭环仿真器、构建因果基准测试及融合模仿学习与强化学习（RL）的方法来应对这一挑战。例如，Zhou等人提出的MTR-SAC框架，结合了IL的轨迹预测能力和RL的环境交互优势，显著提升了策略的安全性和适应性。这一方向与行业追求可解释、稳健的端到端自动驾驶系统相契合，为传统模块化方法与纯数据驱动方法间架设了关键桥梁。

相关研究论文

• Exposing the Copycat Problem of Imitation-based Planner: A Novel Closed-Loop Simulator, Causal Benchmark and Joint IL-RL Baseline

  香港中文大学电子工程系 · 2025年