AV Map Data

开放数据集，跟踪美国自动驾驶车辆的部署情况。包含自2017年以来的服务变更时间线（启动、扩展、关闭、政策变化）以及GeoJSON格式的服务区域边界，展示覆盖范围的演变。采用事件溯源方法：创建事件捕获完整服务详情，更新仅记录变更内容。每个变更都有来源。

An open dataset for tracking the deployment of autonomous vehicles across the United States. It includes a timeline of service changes (launch, expansion, shutdown, policy modifications) since 2017, alongside service area boundaries formatted in GeoJSON that illustrate the evolution of service coverage. An event sourcing approach is utilized: events are created to capture complete service details, while updates only record change contents. Each change has a verifiable source.

原始信息汇总

AV Map Data 数据集概述

数据集简介

• 开放数据集，追踪美国自动驾驶汽车部署情况
• 为网站 avmap.io 提供数据支持

数据内容

核心文件

• events.csv：包含自2017年以来的自动驾驶服务变更时间线（启动、扩展、关闭、政策变更）
• geometries/：包含GeoJSON格式的服务区域边界，展示覆盖范围演变

数据特征

• 采用事件溯源方法：创建事件捕获完整服务详情，更新仅记录变更内容
• 每个变更都有来源记录

覆盖范围

• 时间跨度：2017-2025年
• 覆盖公司：Waymo、Tesla、May Mobility、Zoox、Cruise等
• 地理范围：美国主要城市（包含活跃和历史部署）

数据使用

快速开始

bash git clone https://github.com/jacksonlester/av-map-data.git head events.csv ls geometries/*.geojson

• 可将GeoJSON文件加载到任何地图工具中
• 可解析CSV文件进行历史分析

贡献指南

重要说明

• 所有PR必须提交到staging分支，而非main分支

贡献流程

1. Fork此仓库
2. 从staging分支创建特性分支
3. 向events.csv添加事件或更新几何数据
4. 运行python3 scripts/validate.py验证更改
5. 向staging分支提交PR
6. 更改将在上线前在测试站点进行测试

最有价值的贡献

• 新服务启动
• 边界更新
• 车队规模变更
• 政策公告

工作流程

分支管理

• staging分支：部署到测试环境
• main分支：部署到生产环境（avmap.io）

测试流程

1. 提交PR到staging后等待GitHub Action重建测试缓存
2. 检查测试站点验证数据正确性
3. 批准后合并到staging分支
4. 后续将staging提升到main（生产环境）

许可证

• MIT许可证：可自由使用

搜集汇总

数据集介绍

构建方式

在自动驾驶地理信息系统领域，AV Map Data采用事件溯源架构进行构建，通过events.csv文件记录自2017年以来的服务变更时间线，包括车辆部署启动、运营范围扩展及政策调整等关键节点。几何数据以GeoJSON格式存储于geometries目录，完整呈现服务区域的时空演变轨迹。每个数据变更均附带可追溯的信息来源，确保数据版本的可控性与透明度。

特点

该数据集涵盖2017至2025年间美国主要城市的自动驾驶部署动态，整合了Waymo、特斯拉等头部企业的运营数据。其核心特征在于通过服务边界的地理编码数据与事件时间线的多维关联，形成时空连续的分析框架。数据粒度细致至车队规模变更与政策公告层级，为研究自动驾驶技术演进路径提供立体化观测维度。

使用方法

研究者可通过Git克隆获取原始数据，使用events.csv进行历史趋势分析，配合地理信息系统工具解析GeoJSON格式的服务区域边界。数据验证环节内置自动化脚本校验机制，贡献者需通过分级提交流程将更新内容经测试环境验证后同步至生产系统。这种双分支工作流设计既保障数据质量，又支持学术社区的协同迭代。

背景与挑战

背景概述

自动驾驶技术作为智能交通系统的核心组成部分，自21世纪初期便成为学术界与工业界的研究热点。AV Map Data数据集由Jackson Lester团队于2017年创建，通过系统化记录美国境内自动驾驶车辆的部署轨迹，填补了该领域动态监测数据的空白。该数据集以事件溯源架构为核心，完整捕捉了包括Waymo、Cruise等主流企业在城市道路测试与服务拓展中的关键节点，为政策制定者与技术研发者提供了覆盖2017至2025年的时空演化图谱。其多源异构的数据结构不仅支撑着avmap.io平台的实时可视化，更成为评估自动驾驶技术商业化进程的重要基准。

当前挑战

自动驾驶领域长期面临技术可靠性与法规适配性的双重考验，AV Map Data需精准刻画不同厂商在复杂城市场景中的服务边界动态。数据集构建过程中需攻克多源数据融合的技术壁垒：既要保持GeoJSON地理边界与CSV事件记录的时空一致性，又需通过事件溯源机制确保历史变更的可追溯性。此外，各企业披露数据的非标准化特征要求人工校验与机器验证相结合，而持续更新的服务状态更需建立严格的分支管理流程，通过 staging 环境验证机制保障数据质量。

常用场景

经典使用场景

在自动驾驶技术研究领域，AV Map Data通过记录2017年以来的服务变更事件与地理边界数据，为分析自动驾驶车辆部署动态提供了关键支撑。研究者可结合events.csv中的时间线数据与geometries目录下的GeoJSON服务区域边界，系统追踪Waymo、Cruise等企业在全美主要城市的服务启动、扩张及政策调整过程，揭示技术商业化路径的时空演变规律。

衍生相关工作

基于该数据集衍生的经典研究包括《自动驾驶服务网络演化分析》《政策干预与技术扩散关联模型》等学术成果。这些工作通过挖掘事件序列中的时空模式，构建了企业竞争力评估指标体系，部分研究进一步结合人口密度数据，形成了自动驾驶社会效益评估模型，为后续智慧交通系统的多模态数据融合研究奠定了方法论基础。

数据集最近研究

最新研究方向

在自动驾驶技术快速迭代的背景下，AV Map Data凭借其事件溯源架构与时空地理信息融合能力，正成为政策评估与商业模式创新的关键基础设施。当前研究聚焦于多模态交通网络动态演化分析，通过解析Waymo、Cruise等企业2017-2025年的服务边界变迁，揭示城市级自动驾驶渗透规律。该数据集支撑着联邦制自动驾驶立法效果量化研究，其精确到城市街区的地理编码数据正被用于构建安全风险评估矩阵，同时为V2X基础设施规划提供决策依据，推动智能网联汽车从技术验证向规模化运营转型。