INTERACTION Dataset

该数据集是一个大规模的真实世界数据集，涵盖了三种场景下的车辆下行轨迹数据：交叉口、高速公路入口匝道和环岛，这些数据是从美国、亚洲和欧洲的多个地点收集而来的。该数据集的采样率为10赫兹，不同子集的数据量存在较大差异。数据集规模较大，包含11个子集，分为三种类型的场景。其任务是对车辆轨迹进行预测。

This is a large-scale real-world dataset containing vehicle trajectory data across three scenarios: intersections, highway on-ramps, and roundabouts. The data was collected from multiple locations across the United States, Asia, and Europe. The sampling rate of the dataset is 10 Hz, with significant differences in data volume among its subsets. This dataset comprises 11 subsets categorized under the three aforementioned scenario types, and its core task is vehicle trajectory prediction.

搜集汇总

数据集介绍

构建方式

INTERACTION数据集的构建依托于无人机与交通摄像头的协同采集策略，实现了对多国复杂交互驾驶场景的全景式捕捉。研究团队在北美、亚洲及欧洲选取了包括环形交叉口、无信号控制交叉口、高速公路匝道合流等多样化场景，通过无人机搭载的高清摄像头录制4K视频，并采用视频稳定、目标检测与卡尔曼滤波跟踪等技术处理原始数据，确保车辆轨迹的精确性与平滑性。同时，交通摄像头数据通过先进的物体检测与数据关联算法，结合针孔相机模型与自行车运动模型，实现了对车辆与行人运动的准确重构。所有场景均配备了高精度语义地图，采用lanelet2格式详细记录了道路物理层与交通规则信息，为行为分析提供了丰富的上下文支持。

使用方法

INTERACTION数据集适用于自动驾驶领域多项前沿研究，包括运动预测、模仿学习与决策规划等。在运动预测方面，研究者可利用其丰富的交互轨迹与语义地图，开发基于学习或规划的预测模型，评估在复杂场景下的预测准确性。模仿学习可通过数据集中的真实驾驶行为，训练网络直接复现人类驾驶策略。同时，该数据集支持决策与规划算法的验证，允许在回放环境中测试算法在真实交互场景下的性能。此外，数据集还可用于轨迹聚类、交互关系提取及类人行为生成等研究，为驾驶行为理解提供多角度分析基础。

背景与挑战

背景概述

INTERACTION数据集由加州大学伯克利分校机械系统控制实验室联合多国研究机构于2019年共同创建，旨在为自动驾驶领域提供高度交互的驾驶场景运动数据。该数据集聚焦于复杂驾驶环境中的行为建模与预测，涵盖了城市道路、高速公路、环形交叉口及无信号控制交叉口等多种场景，并整合了来自美国、中国、德国等不同国家的驾驶文化数据。其核心研究问题在于解决自动驾驶系统中对多交通参与者交互行为的理解与预测难题，通过提供包含对抗性与协作性运动的轨迹数据，显著推动了运动预测、模仿学习、决策规划等相关领域的研究进展。

当前挑战

INTERACTION数据集致力于解决自动驾驶中高度交互驾驶场景的行为建模与预测问题，其挑战在于如何准确捕捉并表征复杂交通参与者的对抗性、协作性及非理性行为。构建过程中的挑战包括：需从无人机与交通摄像头采集多国数据以涵盖多样驾驶文化，确保场景的多样性与复杂性；数据处理中需克服视频稳定、目标检测与轨迹平滑等技术难点，以提供精确且完整的运动轨迹；同时，数据集需集成高精度语义地图，以支持车道连接、交通规则等关键信息的提取，这对地图构建的完整性与一致性提出了较高要求。

常用场景

经典使用场景

在自动驾驶行为建模领域，INTERACTION数据集因其丰富的交互场景与语义地图信息，成为运动预测与规划算法验证的基准平台。该数据集广泛用于训练和评估深度生成模型，如基于Wasserstein自编码器的轨迹预测框架，通过融合车辆运动学约束与高密度交互轨迹，显著提升了预测的准确性与可解释性。其多国驾驶文化数据为跨区域行为泛化研究提供了关键支撑，使得算法能够适应不同交通规则下的复杂决策环境。

解决学术问题

该数据集有效解决了自动驾驶研究中交互行为建模的若干核心难题。其涵盖的无信号交叉口、环岛等非结构化场景，弥补了传统数据集在驾驶行为多样性上的不足；高密度交互轨迹与临界碰撞场景的收录，为风险感知预测与安全规划算法提供了关键数据基础。语义地图的完整集成进一步解决了轨迹特征泛化问题，使研究能够从原始坐标空间转向更具解释性的Frenet框架，推动了行为建模从局部拟合到全局泛化的范式转变。

实际应用

在实际应用层面，INTERACTION数据集为自动驾驶系统的决策模块开发与测试提供了高保真仿真环境。基于该数据集训练的模仿学习模型，能够复现人类驾驶员在复杂路权博弈中的协商行为；其包含的紧急避让与违规场景，可用于验证规划算法在边缘情况下的鲁棒性。此外，数据集支持的多智能体交互提取技术，已应用于车路协同系统中的行为意图识别，为动态交通管理策略的优化提供了数据驱动的分析工具。

数据集最近研究

最新研究方向

在自动驾驶领域，INTERACTION数据集凭借其多国交互驾驶场景的丰富性，正成为行为建模与预测研究的前沿焦点。该数据集涵盖了环岛、无信号交叉口等高度复杂场景，并包含对抗性与合作性驾驶行为，为研究者在运动预测、模仿学习及决策规划方面提供了关键支持。当前研究热点集中于利用其语义地图与完整交互实体信息，开发能够处理多模态、高风险情境的算法，以提升自动驾驶系统在真实世界中的适应性与安全性。

相关研究论文

• INTERACTION Dataset: An INTERnational, Adversarial and Cooperative moTION Dataset in Interactive Driving Scenarios with Semantic Maps

  加州大学伯克利分校机械系统控制实验室 · 2019年