100 Drivers, 2200 km: A Natural Dataset of Driving Style toward Human-centered Intelligent Driving Systems
作者: Chaopeng Zhang, Wenshuo Wang, Zhaokun Chen, Junqiang Xi
分类: cs.RO, cs.HC
发布日期: 2024-06-12
🔗 代码/项目: GITHUB
💡 一句话要点
构建驾驶风格自然数据集，助力以人为本的智能驾驶系统
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 驾驶风格分析 智能驾驶系统 自然驾驶数据集 主观评估 李克特量表
📋 核心要点
- 现有驾驶风格分析研究缺乏统一基准数据集，导致方法和结论不一致，难以验证。
- 构建包含100名驾驶员主观驾驶风格评估标签的自然驾驶数据集，提供新的基准。
- 数据集包含多种驾驶场景下的详细操作数据，并使用六种分类器验证了其基准功能。
📝 摘要（中文）
为了开发以人为本的智能驾驶系统，该系统需要考虑驾驶员的偏好，因此有效的驾驶风格分析至关重要。然而，由于缺乏统一的、带有驾驶风格标签的数据集作为可靠的基准，大多数相关研究的方法和结论各不相同且不一致。缺乏明确的驾驶风格标签使得验证不同的方法和算法变得困难。本文通过构建一个带有100名驾驶员驾驶风格主观评估标签的驾驶风格自然数据集（100-DrivingStyle），提供了一个新的基准。在该数据集中，每个驾驶员驾驶风格的主观量化来自他们自己和一位专家根据李克特量表问卷的评估。测试路线的选择涵盖了各种驾驶场景，包括高速公路、城市道路、高速公路匝道和信号灯路口。收集的驾驶数据包括横向和纵向操作信息，包括转向角、转向速度、横向加速度、油门位置、油门速率、制动压力等。该数据集是第一个提供带有驾驶风格标签的详细操作数据的数据集，我们使用六个分类器展示了其基准功能。100-DrivingStyle数据集可通过https://github.com/chaopengzhang/100-DrivingStyle-Dataset获取。
🔬 方法详解
问题定义：现有驾驶风格分析研究缺乏统一的、带有明确驾驶风格标签的基准数据集。这导致研究者们提出的方法和得出的结论差异很大，难以进行公平的比较和验证。缺乏标准化的数据集阻碍了该领域的发展，使得算法的有效性难以评估。
核心思路：该论文的核心思路是通过构建一个包含真实驾驶数据的、带有主观驾驶风格标签的数据集来解决上述问题。通过收集100名驾驶员在不同驾驶场景下的驾驶数据，并结合驾驶员自身和专家的主观评估，为每位驾驶员的驾驶风格进行量化，从而提供一个可靠的基准。
技术框架：该数据集的构建流程主要包括以下几个阶段：1) 选择100名驾驶员参与数据收集；2) 设计包含多种驾驶场景的测试路线，包括高速公路、城市道路等；3) 收集驾驶员在驾驶过程中的横向和纵向操作数据，如转向角、油门位置等；4) 通过李克特量表问卷，由驾驶员自身和专家对驾驶风格进行主观评估；5) 将收集到的数据和评估结果进行整理和标注，构建成最终的数据集。
关键创新：该论文的关键创新在于构建了一个包含主观驾驶风格标签的自然驾驶数据集。这是第一个提供带有驾驶风格标签的详细操作数据的数据集。以往的数据集通常只包含驾驶数据，而缺乏对驾驶风格的明确标注。该数据集的构建为驾驶风格分析领域的研究提供了一个新的基准，使得研究者们可以更加方便地验证和比较不同的算法。
关键设计：在数据收集方面，测试路线的设计考虑了多种驾驶场景，以保证数据的多样性。在驾驶风格评估方面，采用了李克特量表问卷，并结合了驾驶员自身和专家的评估，以提高评估的准确性。此外，数据集还提供了详细的横向和纵向操作数据，为研究者们提供了更丰富的信息。
🖼️ 关键图片
📊 实验亮点
该论文构建的100-DrivingStyle数据集是首个提供带有驾驶风格标签的详细操作数据的数据集。通过使用六种分类器进行验证，证明了该数据集的基准功能。该数据集的发布将促进驾驶风格分析领域的研究，并为开发更智能的驾驶辅助系统提供有力支持。
🎯 应用场景
该研究成果可应用于开发更智能、更个性化的驾驶辅助系统。通过分析驾驶员的驾驶风格，系统可以更好地理解驾驶员的意图，并提供更符合驾驶员偏好的辅助功能，例如自适应巡航控制、车道保持辅助等。此外，该数据集还可以用于驾驶员行为分析、驾驶员疲劳检测等领域，具有重要的实际应用价值。
📄 摘要（原文）
Effective driving style analysis is critical to developing human-centered intelligent driving systems that consider drivers' preferences. However, the approaches and conclusions of most related studies are diverse and inconsistent because no unified datasets tagged with driving styles exist as a reliable benchmark. The absence of explicit driving style labels makes verifying different approaches and algorithms difficult. This paper provides a new benchmark by constructing a natural dataset of Driving Style (100-DrivingStyle) tagged with the subjective evaluation of 100 drivers' driving styles. In this dataset, the subjective quantification of each driver's driving style is from themselves and an expert according to the Likert-scale questionnaire. The testing routes are selected to cover various driving scenarios, including highways, urban, highway ramps, and signalized traffic. The collected driving data consists of lateral and longitudinal manipulation information, including steering angle, steering speed, lateral acceleration, throttle position, throttle rate, brake pressure, etc. This dataset is the first to provide detailed manipulation data with driving-style tags, and we demonstrate its benchmark function using six classifiers. The 100-DrivingStyle dataset is available via https://github.com/chaopengzhang/100-DrivingStyle-Dataset