Connected and Automated Vehicles Driving Dataset (D2CAV)

D2CAV数据集是由自主与自动驾驶车辆研究实验室(CAVREL)在佛罗里达州奥兰多市收集的，专注于城市驾驶场景中的特定驾驶操作，如左转、右转、U型转弯、紧急刹车和车道变更等。该数据集通过福特OpenXC平台和Garmin手持GPS设备记录，包含CAN总线和GPS数据，旨在为自动驾驶和车辆通信技术提供精确的驾驶模式分析。数据集的创建过程涉及多样的驾驶风格和手动标注，以确保数据的准确性和可靠性。D2CAV数据集的应用领域主要集中在自动驾驶车辆的安全性和协作性研究，特别是在预测和响应人类驾驶行为方面。The D2CAV dataset was collected by the Connected and Autonomous Vehicle Research Laboratory (CAVREL) in Orlando, Florida. It focuses on specific driving maneuvers in urban driving scenarios, such as left turns, right turns, U-turns, hard braking, and lane changes. Recorded using the Ford OpenXC platform and Garmin handheld GPS devices, this dataset contains CAN bus and GPS data, aiming to provide accurate driving pattern analysis for autonomous driving and vehicle communication technologies. The dataset creation process involves diverse driving styles and manual annotations to ensure the accuracy and reliability of the data. The application scenarios of the D2CAV dataset mainly focus on research on the safety and cooperativity of autonomous vehicles, particularly in the prediction and response of human driving behaviors.

搜集汇总

数据集介绍

构建方式

在智能交通系统研究领域，D2CAV数据集的构建体现了对混合交通场景下驾驶行为建模的深入探索。该数据集通过实际道路测试收集，采用福特OpenXC平台与Garmin手持GPS设备，在佛罗里达州奥兰多都市区进行了约1000分钟的城市与高速公路驾驶数据记录。数据采集过程中，由三名驾驶风格各异的驾驶员操作配备电动助力转向和线控油门执行器的车辆，副驾驶人员通过定制化日志界面实时手动标注特定驾驶操作，如左转、右转、掉头、紧急制动及车道变换等。采集的数据涵盖发动机转速、方向盘转角、车辆速度、油门踏板位置及GPS坐标等多维度特征，并以±10秒时间窗口对操作数据进行分段处理，最终形成包含时间序列特征与地理示意图的结构化数据集。

使用方法

D2CAV数据集适用于智能驾驶领域的行为建模、操作分类与预测研究。使用者可通过解析数据集中的时间序列特征，构建机器学习模型以识别或预测驾驶操作。例如，可基于随机森林或支持向量机等分类算法，利用方向盘转角、车辆速度等特征训练操作分类器，应用于协同驾驶系统中的意图识别模块。数据集中标注的操作边界为模型训练提供了准确的监督信号，同时其多特征冗余性有助于提升模型在噪声环境下的鲁棒性。研究者还可结合GPS轨迹数据，探索操作与道路几何结构的关联，为混合交通场景下的安全决策与路径规划提供数据支撑。

背景与挑战

背景概述

随着智能交通系统的演进，车联网与自动驾驶技术正逐步重塑未来出行生态。在混合交通场景中，自动驾驶车辆与人类驾驶车辆共存，这要求车辆具备对人类驾驶行为的精准理解与预测能力。为此，中佛罗里达大学车联网与自动驾驶研究实验室于2020年推出了D2CAV数据集，旨在通过真实城市驾驶数据，解析人类驾驶的机动模式。该数据集聚焦于左转、右转、U型转弯、车道变换及紧急制动等关键机动行为，为协同驾驶应用提供了丰富的训练资源，推动了模型驱动通信与预测决策算法的发展。

当前挑战

D2CAV数据集致力于解决混合交通场景下自动驾驶车辆对人类驾驶意图的识别与预测问题，其核心挑战在于机动行为的精细分类与建模。由于不同机动行为在传感器数据中表征差异显著，例如U型转弯在转向角域突出，而紧急制动在速度空间更为明显，这要求分类算法具备高维特征提取与非线性模式识别能力。在数据构建过程中，研究团队面临多源异构数据融合的难题，车载CAN总线与GPS设备的数据采集频率不同步，分别为10赫兹与1赫兹，需通过立方插值等时序对齐技术实现数据集成，以确保后续建模的准确性与可靠性。

常用场景

经典使用场景

在智能交通系统与自动驾驶研究领域，D2CAV数据集以其精细的驾驶行为标注而著称，特别适用于驾驶意图识别与轨迹预测模型的开发。该数据集通过采集真实城市道路环境下的车辆CAN总线与GPS数据，并手动标注了左转、右转、U型转弯、车道变换等关键驾驶行为，为研究者提供了丰富的时空特征序列。这些标注数据使得机器学习算法能够学习人类驾驶员的操纵模式，进而训练出高精度的分类器，用于在混合交通场景中实时识别周边车辆的驾驶意图，为协同驾驶决策提供关键输入。

解决学术问题

D2CAV数据集有效应对了自动驾驶研究中驾驶行为建模与意图预测的核心挑战。在混合交通环境下，自动驾驶车辆需准确理解人类驾驶员的操纵意图以保障安全与效率。该数据集通过提供大量真实驾驶行为样本，支持了基于随机森林、支持向量机等算法的驾驶行为分类研究，显著提升了模型在复杂城市道路场景中的泛化能力与鲁棒性。其贡献在于填补了现有驾驶数据集中行为标注精细度的不足，为构建可靠的人类驾驶行为模型奠定了数据基础，推动了协同自动驾驶系统的理论发展。

实际应用

在实际智能交通系统中，D2CAV数据集的应用主要体现在提升车辆协同安全与交通流优化方面。基于该数据集训练的驾驶行为识别模型可集成于车联网（V2X）通信框架，使自动驾驶车辆能够提前预测人类驾驶车辆的变道、转弯等行为，从而实施主动避撞或协同编队控制。此外，该数据集还可用于开发先进的驾驶员辅助系统，如自适应巡航控制与车道保持辅助，通过模拟真实驾驶模式增强系统在复杂城市路况下的响应能力，为智慧城市交通管理提供技术支持。

数据集最近研究

最新研究方向

在智能交通系统领域，随着自动驾驶与人工驾驶混合场景的日益临近，D2CAV数据集为车辆协同应用提供了关键支撑。该数据集聚焦于基于驾驶行为的精细标注，将城市环境中的车辆轨迹解析为左转、右转、U型转弯、车道变换等具体操作单元，为模型驱动的通信框架与预测性决策算法奠定了数据基础。前沿研究正利用此类标注数据，探索基于随机森林与支持向量机等机器学习方法的驾驶行为分类与意图识别，以提升自动驾驶车辆在复杂交通流中的协同安全性与交互效率。这一方向不仅呼应了车联网中模型共享与情景感知的热点议题，也为实现高效的人机协同驾驶提供了实证依据，推动了智能交通系统向更安全、更可靠的方向演进。

相关研究论文

• A Maneuver-based Urban Driving Dataset and Model for Cooperative Vehicle Applications

  自主与自动驾驶车辆研究实验室(CAVREL) · 2020年