ConScenD

ConScenD数据集是由fka GmbH和RWTH Aachen University汽车工程研究所合作创建的，旨在根据UNECE R157法规为自动驾驶系统提供具体场景测试。该数据集包含超过340个从德国高速公路自然驾驶数据集highD中提取的具体场景，用于模拟和验证自动驾驶系统的安全性。创建过程中，研究团队采用了一种从真实世界数据中提取场景参数的方法，并将这些参数转换为模拟环境中的可执行测试案例。ConScenD数据集主要应用于自动驾驶系统的安全评估，特别是在解决复杂交通场景下的系统级模拟需求。The ConScenD dataset was co-developed by fka GmbH and the Institute of Automotive Engineering at RWTH Aachen University, aiming to provide scenario-specific test cases for automated driving systems in compliance with UNECE Regulation R157. This dataset includes over 340 specific scenarios extracted from the German highway naturalistic driving dataset highD, which is used for simulating and validating the safety of automated driving systems. During its development, the research team adopted a methodology for extracting scenario parameters from real-world driving data, and converted these parameters into executable test cases within simulation environments. The ConScenD dataset is primarily applied to the safety assessment of automated driving systems, particularly to address the system-level simulation requirements in complex traffic scenarios.

搜集汇总

数据集介绍

构建方式

ConScenD数据集基于UNECE R157法规中定义的ALKS测试场景，从德国高速公路自然驾驶轨迹数据集highD中提取具体场景参数。首先，对highD中的每辆车进行事件检测，识别出符合法规要求的场景类型，如前车制动和切入场景。随后，根据ALKS系统的运行设计域（ODD）进行过滤，仅保留初始速度低于70 km/h的场景，并进一步筛选出满足临界性条件的样本。最终，从136个切入场景和38个制动场景中提取关键参数，如初始速度、距离和制动时长，并将其填充至OpenSCENARIO模板中，生成可执行的具体场景文件。

特点

该数据集的核心特点在于其真实性与法规适配性的结合。所有场景参数均源自真实交通流数据，反映了驾驶员行为的异质性，而非人为假设。数据集严格遵循ALKS法规的场景定义，同时覆盖了实际道路中难以通过人工方式重现的细微变化，如车辆横向偏移和速度波动。此外，数据集提供了与highD原始轨迹一致的车辆尺寸和类型信息，确保了仿真场景的物理真实性。通过对比仿真与真实轨迹，切入场景的横向位置均方根误差仅为0.40米，验证了场景描述的高保真度。

使用方法

数据集以OpenSCENARIO和OpenDRIVE标准格式发布，可直接在CARLA和esmini等开源仿真工具中运行。用户需加载对应的OpenDRIVE地图文件和3D视觉资源，随后通过场景文件中的参数声明调整初始条件，如自车速度或触发距离。对于CARLA，需额外添加角色类型和环境描述，并注意其相对车道ID的逆序解释。场景文件内嵌了触发条件和动作定义，支持通过修改参数声明快速生成变体测试用例。数据集中还包含了用于评估的CARLA专用触发器，可检测碰撞或偏离车道等事件，便于进行自动化测试与功能验证。

背景与挑战

背景概述

随着自动驾驶技术的飞速发展，如何系统性地评估高级别自动驾驶系统的安全性成为学术界与工业界共同关注的焦点。2020年，联合国欧洲经济委员会颁布的UNECE R157法规首次为L3级自动驾驶系统——自动车道保持系统（ALKS）提供了法律与监管框架。该法规采用基于场景的测试方法进行安全验证，但缺乏对测试用例生成所需的明确参数化指导。为弥补这一空白，由德国fka GmbH与亚琛工业大学汽车工程研究所的研究团队于2021年联合发布了ConScenD数据集。该数据集从大规模自然驾驶数据集highD中提取了超过340个符合ALKS法规定义的实车场景，涵盖前车制动、切入等关键测试类型，并将场景参数以OpenSCENARIO和OpenDRIVE标准格式呈现，可直接用于CARLA、esmini等仿真环境。ConScenD的提出填补了法规场景参数化不足的空白，为自动驾驶系统的仿真验证提供了真实、可复现的测试基础。

当前挑战

ConScenD数据集在构建与应用过程中面临多重挑战。首先，法规所定义的场景参数空间极为庞大，如何从自然驾驶数据中提取出具有代表性且覆盖极端情况的参数组合是一大难题。例如，highD数据集主要包含高速工况，而ALKS系统运行速度上限仅为60 km/h，导致大量高速场景被过滤，仅有少量低速场景符合要求，使得数据分布存在显著偏差。其次，在场景提取过程中，需精确识别并截取完整的事件片段，如前车制动或切入动作的起止点，但实际交通流中的行为边界模糊，部分事件无法完整记录，增加了数据筛选的复杂性。此外，将真实轨迹转换为标准仿真格式时，不同仿真工具对OpenSCENARIO标准的支持程度不一，例如CARLA对部分属性解析存在差异，需进行针对性适配与参数调整。最后，仿真中车辆运动模型的简化（如使用正弦曲线模拟车道变更）导致与真实轨迹存在偏差，如何提升仿真复现精度仍是后续研究的关键方向。

常用场景

经典使用场景

ConScenD数据集的核心应用在于为符合UNECE R157法规的自动车道保持系统（ALKS）提供基于真实交通数据的场景化测试用例。该数据集从高精度自然驾驶轨迹数据集highD中提取了超过340个具体场景，涵盖前车制动、旁车切入等关键动态事件，并以ASAM OpenSCENARIO和OpenDRIVE标准格式封装，可无缝导入CARLA、esmini等主流仿真平台。通过将真实交通参与者的异质性行为参数化，该数据集使得ALKS系统的虚拟验证能够从抽象法规描述跃迁至可量化的具体测试，从而弥补了法规中参数化缺失的空白。

实际应用

在实际应用中，ConScenD数据集被直接用于自动驾驶系统的虚拟仿真测试和开发验证。汽车制造商和技术服务机构可将其生成的OpenSCENARIO文件导入CARLA或esmini，模拟ALKS在高速公路上限速60 km/h条件下的典型交互场景，如前车急减速、目标车辆切入等。这些场景不仅用于评估系统能否避免碰撞，还用于验证其在不同车速、间距和减速度组合下的行为边界。此外，该数据集支持参数随机化，能够生成大量变体测试用例，从而覆盖真实交通中可能出现的边缘情况，显著提升测试效率与覆盖度。

衍生相关工作

ConScenD数据集衍生了一系列重要的研究工作。其一，基于其提取方法，后续研究扩展了场景类型，如增加了遮挡和行动约束等复杂特征，提升了场景的真实性。其二，该数据集促进了OpenX标准在仿真工具间的互操作性研究，例如对比CARLA与esmini对OpenSCENARIO解析的差异，并开发了适配器模块。其三，受其启发，研究者利用变分自编码器（VAE）等机器学习方法对轨迹进行建模，实现了从真实数据到仿真场景的自动化参数生成，进一步降低了人工标定成本。这些工作共同推动了数据驱动型自动驾驶安全验证方法体系的成熟。