介绍了语义视频数据集 Highway Driving dataset 和基于时间相关性的基线算法，提高了实时应用的语义分割效果。

Nov, 2020

本研究旨在通过借助汽车行车记录仪的单个图像，对驾驶中可能遇到的危险进行预测。为了开展这一不常研究的领域，我们创造了一个名为 DHPR 的数据集，其中包含 15K 个街景图像，每张图像都与车速、假设的危险描述和场景中的可见实体相关联。通过评估基线方法在数据集上的表现，我们发现仍存在问题，并讨论了未来的方向。本研究通过引入新的问题形式和数据集，为驾驶危险预测领域做出了贡献，让研究人员能够探索多模态人工智能在此领域的潜力。

Oct, 2023

本文提出了一种新的旨在针对非结构化驾驶环境的 IDD 数据集，其中包括来自印度道路的 10,004 幅图像，涵盖了 34 个类别的精细注释，建议使用四级标签层次结构以适应不同训练方法，而现有的语义分割方法在 IDD 数据集上的准确度表现不佳。

Nov, 2018

通过深度学习技术的进步，数据驱动方法在自动驾驶的决策中越来越多地使用，而数据集的质量极大地影响了模型的性能。然而，尽管当前的数据集在车辆和环境数据的收集方面取得了重大进展，但对于包括驾驶员状态和人类评估在内的人为因素数据的重视还不够。此外，现有的数据集大部分由车辆跟随等简单场景组成，交互程度较低。本文介绍了一种名为 “Driver to Evaluation”（D2E）的自动决策数据集，其中包含驾驶员状态、车辆状态、环境情况以及来自人类评审人员的评估分数的数据，涵盖了车辆决策的全面过程。除了常规的代理和周围环境信息外，我们不仅收集了包括第一视角视频、生理信号和眼部注意力数据在内的驾驶员因素数据，还提供了来自 40 名志愿者的主观评分。该数据集包含了驾驶模拟器场景和真实道路场景的混合数据。设计和筛选了高交互情况以确保行为多样性。通过数据组织、分析和预处理，D2E 包含了超过 1100 个交互驾驶案例数据段，涵盖了从人类驾驶因素到评估结果的内容，为支持数据驱动的决策相关算法的开发提供了支持。

Apr, 2024

公路场景理解在自动驾驶中至关重要，使机器能够感知视觉环境。本文介绍了 RSUD20K 数据集，它由来自孟加拉国道路的超过 20K 张高分辨率图像组成，包含 13 种物体的 130K 个边界框注释。我们的工作在以往努力的基础上显著改进，提供了详细的注释和更复杂的物体。我们对数据集进行了全面的研究，对各种最先进的目标检测器进行了基准测试，并探索了大型视觉模型作为图像注释器。

Jan, 2024

提出了一种从空中视角测量数据以满足安全验证需求的新方法，基于从德国高速公路收集的大规模真实车辆轨迹数据集高 D，从数量、多样性和场景等方面进行评估。

Oct, 2018

该研究探讨了利用人类驾驶产生的数据对自动驾驶系统进行改进的方法，提出了利用基于行动的驾驶数据进行学习表示的模型，该模型在弱注释图像方面表现出色，并且优于纯粹的端到端驾驶模型，同时更具有可解释性。

Aug, 2020

本文使用多层 seq-2-seq 自动编码器以及分层聚类来进行精确的驾驶模式分析，得出特定训练数据集的可靠分类器。研究表明，该方法显著优于基准性能。

May, 2022

通过传感器数据获取综合场景信息，并为下游任务提供基础，对于自动驾驶车辆的安全至关重要，本文提出了一种端到端的可解释性隐式驾驶场景理解模型，通过规划模块引导提取隐式高维场景特征作为场景理解结果，并使用辅助感知任务进行可视化验证，实验证明我们的方法在 CARLA 基准测试上达到了最新的最高水平，并能够获取体现与驾驶相关的更丰富的场景信息，实现下游规划的卓越性能。

Aug, 2023

该研究对自主驾驶车辆的决策制定模块进行了探讨，提出了数据驱动决策制定方法的重要性，并对车辆、环境和驾驶员状况的数据进行了比较和总结，进一步总结了数据集的潜在应用及未来发展趋势。

Jun, 2023