Person2Drive

Person2Drive是一个基于CARLA模拟器的数据集与基准测试平台，专注于个性化端到端自动驾驶研究。该数据集在闭环模拟环境中收集了人类驾驶记录，并按驾驶员级别进行组织，旨在支持驾驶风格建模、驾驶员个性化、路线级泛化以及端到端驾驶模型的闭环评估研究。与主要记录通用驾驶行为的传统数据集不同，Person2Drive提供了多名匿名人类驾驶员在共享或可比模拟设置下的多段驾驶记录。完整发布版本包含50名匿名驾驶员、4条不同的闭环CARLA环境驾驶路线。数据以驾驶员文件夹（drivers/driverXX/）形式组织，每条路线的驾驶记录存储为.tar.zst压缩档案。数据集内容涵盖个性化端到端驾驶研究所需的信息，包括自车状态、转向/油门/刹车等控制信号、自车轨迹、路线与导航信息、端到端驾驶模型常用的传感器数据，以及驾驶员级和地图级的组织元数据。该数据集既可用于开环行为分析，也可用于闭环个性化驾驶评估。典型应用场景包括驾驶员级个性化适配、路线级泛化能力测试、轨迹预测质量评估、驾驶风格相似性度量以及闭环驾驶性能评测。Person2Drive is a dataset and benchmark platform based on the CARLA simulator, focusing on personalized end-to-end autonomous driving research. This dataset collects human driving recordings in closed-loop simulation environments and organizes them by individual driver, aiming to support research on driving style modeling, driver personalization, route-level generalization, and closed-loop evaluation of end-to-end driving models. In contrast to traditional datasets that primarily record general driving behaviors, Person2Drive provides multiple driving segments from numerous anonymous human drivers under shared or comparable simulation settings. The full released version includes 50 anonymous drivers and 4 distinct driving routes in the closed-loop CARLA environment. The data is organized in the form of driver folders (drivers/driverXX/), where driving recordings for each route are stored as .tar.zst compressed archives. The dataset covers all necessary information for personalized end-to-end driving research, including ego vehicle state, control signals such as steering, throttle and brake, ego vehicle trajectory, route and navigation information, sensor data commonly used in end-to-end driving models, as well as organizational metadata at the driver and map levels. This dataset can be used for both open-loop behavior analysis and closed-loop personalized driving evaluation. Typical application scenarios include driver-level personalization adaptation, route-level generalization capability testing, trajectory prediction quality evaluation, driving style similarity measurement, and closed-loop driving performance evaluation.

原始信息汇总

数据集概述

Person2Drive 是一个基于 CARLA 模拟器的闭环个性化端到端自动驾驶基准数据集，对应 ECCV 2026 论文《Driving like yourself: A Benchmark for Closed-Loop Personalized End-to-End Autonomous Driving》。

核心目标

• 支持人类驾驶风格建模、驾驶员级个性化、路线级泛化以及端到端驾驶模型的闭环评估。
• 区别于仅记录通用驾驶行为的数据集，Person2Drive 在共享或可比的模拟设置下提供多位匿名人类驾驶员的驾驶记录。

数据集统计

• 驾驶员数量：50 位匿名人类驾驶员。
• 驾驶路线：在闭环 CARLA 环境中包含 4 条驾驶路线。
• 数据结构：
  • 每位驾驶员对应一个 driverXX/ 文件夹。
  • 路线级数据以 .tar.zst 压缩包形式存储。
  • 包含驾驶员级和地图级的元数据文件。

数据集内容

提供用于个性化端到端驾驶研究所需的数据，包括：

• 自我车辆状态（ego-vehicle states）
• 控制信号（转向、油门、刹车）
• 自我轨迹（ego trajectories）
• 路线与导航信息
• 端到端驾驶模型使用的部分传感器数据
• 驾驶员级与路线级组织的元数据

数据集可用于开环行为分析和闭环个性化驾驶评估。

仓库结构

Person2Drive/ ├── drivers/ │ ├── driver01/ │ │ ├── Town04_drive_1.tar.zst │ │ ├── ... │ │ ├── Town04_drive_8.tar.zst │ │ ├── Town05_drive_1.tar.zst │ │ ├── ... │ │ ├── Town05_drive_8.tar.zst │ │ └── b2d_infos_train.pkl │ ├── driver02/ │ │ ├── Town04_drive_1.tar.zst │ │ ├── ... │ │ ├── Town05_drive_8.tar.zst │ │ └── b2d_infos_train.pkl │ └── ... ├── b2d_map_infos.pkl ├── RELEASE_MANIFEST.md ├── DATASET_DETAILS.md └── README.md

• b2d_infos_train.pkl：存储对应驾驶员数据的元数据。
• b2d_map_infos.pkl：包含基准测试和评估流程所需的地图级元数据。
• 详细数据组织和字段描述见 DATASET_DETAILS.md。

下载与解压

• 克隆仓库（含 Git LFS）： bash git lfs install git clone https://huggingface.co/datasets/dongxr7/Person2Drive

• Linux 解压： bash tar -I zstd -xvf Town04_drive_1.tar.zst

• 分步解压： bash zstd -d Town04_drive_1.tar.zst tar -xvf Town04_drive_1.tar

• Windows 解压：可使用支持 Zstandard 压缩的归档工具，如 7-Zip、PeaZip、Bandizip。

基准测试用途

用于评估端到端驾驶模型在保持安全闭环性能的同时，能否适应个体人类驾驶风格。典型评估设置包括：

• 驾驶员级个性化
• 路线级泛化
• 轨迹预测质量
• 驾驶风格相似性
• 闭环驾驶性能

基准测试脚本、评估协议和使用说明将后续发布。

隐私与匿名化

驾驶员身份匿名化为 driverXX，公开版本不使用真实驾驶员名称。

许可协议

Apache-2.0

联系方式

如有疑问，请联系 Xiaoru Dong：[e-mail]

搜集汇总

数据集介绍

构建方式

Person2Drive数据集基于CARLA模拟器构建，旨在支持闭环个性化端到端自动驾驶研究。数据集通过闭环仿真环境收集了50位匿名化人类驾驶员的驾驶记录，每位驾驶员的数据以独立文件夹（driverXX）组织，内部包含多条路线级别的压缩档案（.tar.zst格式），并辅以驾驶员级元数据文件（b2d_infos_train.pkl）和地图级元数据文件（b2d_map_infos.pkl）。数据采集涵盖了自车状态、转向/油门/制动等控制信号、自车轨迹、路线与导航信息，以及端到端驾驶模型所需的精选传感器数据，从而构建了一个面向驾驶员级别个性化建模与路线级泛化研究的系统性基准。

特点

该数据集的核心特色在于其以驾驶员级别组织的数据结构，能够支撑人类驾驶风格建模、个性化端到端驾驶模型开发及闭环评估。每位驾驶员在共享或可比拟的仿真设置下完成多条固定路线的驾驶任务，使得研究者可以深入探索驾驶员之间的风格差异及其对端到端模型的影响。数据集同时支持开环行为分析与闭环个性化驾驶评估，尤其注重闭环环境下的安全性与风格相似性衡量，为个性化自动驾驶研究提供了独特的实验平台。

使用方法

用户可通过Git LFS克隆整个仓库，获取为.tar.zst格式的路线级驾驶记录压缩包。在Linux系统中，可使用tar结合zstd命令解压档案，例如执行'tar -I zstd -xvf Town04_drive_1.tar.zst'；Windows用户则可借助支持Zstandard压缩的归档工具（如7-Zip、PeaZip）进行解压。解压后，研究者可结合元数据文件（b2d_infos_train.pkl 和 b2d_map_infos.pkl）加载驾驶记录，用于驾驶员级个性化、路线级泛化、轨迹预测及驾驶风格相似度等任务的训练与评估。数据集还计划发布配套的基准脚本与评估协议，以进一步简化端到端模型的闭环测试流程。

背景与挑战

背景概述

Person2Drive是由香港大学Xiaoru Dong等研究人员在ECCV 2026上提出的一个基于CARLA模拟器的闭环个性化端到端自动驾驶基准数据集。该数据集创建于2026年，核心研究问题在于探索如何让自动驾驶系统模仿并适应不同人类驾驶员的个性化驾驶风格，而非仅仅学习通用的驾驶行为。与主流驾驶数据集如nuScenes或Waymo Open Dataset侧重于感知或通用规划不同，Person2Drive开创性地从驾驶员级别组织数据，收录了50位匿名人类驾驶员在4条模拟路线上的驾驶记录，覆盖车辆状态、控制信号、轨迹及导航信息等，为个性化驾驶风格建模、路线级泛化及闭环评估提供了独特资源，对推动自动驾驶从‘通用驾驶’向‘如己驾驶’的范式转变具有重要影响力。

当前挑战

该数据集面临的核心领域挑战在于：传统端到端驾驶模型通常追求单一最优行为，难以捕捉和复现人类驾驶员在风格上的细微差异，例如激进或保守的转向、加减速偏好，且闭环环境中的微小风格偏差可能累积为安全风险。构建过程中的挑战包括：在CARLA模拟器中需设计涵盖多样化路况的封闭路线，同时确保50位驾驶员在4条路线上的一致记录条件，以消除环境变量对风格数据的干扰；数据以.tar.zst高效压缩格式存储，尽管节省空间，却增加了用户解压和预处理的门槛；此外，驾驶员身份全面匿名化处理，在保护隐私的同时，也限制了后续通过额外人口统计学信息进行更深入风格分析的可能性。

常用场景

经典使用场景

Person2Drive数据集专为闭环个性化端到端自动驾驶研究而设计，其经典使用场景聚焦于驾驶风格建模与模型个性化适配。研究人员可利用该数据集中50位匿名驾驶员在CARLA模拟环境下的多路线驾驶记录，训练端到端驾驶模型以模仿特定个体的操控习惯，如转向、油门和刹车模式。数据集按驾驶员层级组织，每个文件夹包含来自多条路线的压缩归档，支持从开环行为分析到闭环性能评估的完整流程。在典型实验中，模型需在模拟闭环环境中基于给定驾驶员的数据进行训练，随后在同一驾驶员的新路线上测试其驾驶风格的模仿程度与安全性。这种设置使得Person2Drive成为当前少有的能系统评估端到端驾驶模型个性化能力的标准化benchmark。

解决学术问题

该数据集深刻回应了自动驾驶领域长期存在的关键学术难题：如何使端到端驾驶模型不仅具备通用驾驶能力，还能捕捉并再现个体驾驶员独特的操控风格。传统数据集如nuScenes或CARLA收集的数据多强调环境感知与物体检测，鲜有考虑驾驶员个体差异，导致模型在个性化场景中表现僵化。Person2Drive通过提供同一环境下多位驾驶员的可比驾驶记录，首次使得驾驶风格的形式化建模成为可能。它支持研究者量化驾驶风格差异、探索风格迁移与路线泛化能力，并建立闭环评估标准以衡量纯模仿学习之外的安全与舒适性指标。这一资源推动了个性化驾驶从定性描述走向定量分析与实证验证。

衍生相关工作

Person2Drive的推出有望衍生一系列具有影响力的相关研究工作。基于其提供的多驾驶员闭环驾驶记录，后继工作可以深入探索跨驾驶员风格迁移学习的泛化边界，或结合强化学习与逆强化学习方法实现风格约束下的轨迹优化。在模型结构创新方面，研究者可能提出面向驾驶风格的解耦表征学习框架，将驾驶风格视为独立的隐变量，从而支持条件式端到端控制。此外，该数据集也为驾驶风格聚类与分类研究提供了规模化标签样本，推动风格描述从手工特征向数据驱动自动发现演进。在闭环评估方面，未来可能催生基于该benchmark的标准化竞赛，进一步激发社区对个性化驾驶中安全、舒适与风格保真度多目标权衡的系统性研究。