PAVE：用于生产级自动驾驶车辆评估的端到端数据集
计算机视觉与模式识别
2025-11-20 v2
摘要
大多数现有自动驾驶数据集（如 KITTI、nuScenes 和 Waymo 感知数据集），是通过人类驾驶模式或未知驾驶模式收集的，仅可作为自动驾驶车辆（AV）感知和预测的早期训练数据。为了评估由黑箱控制的自动驾驶车辆的真实行为安全性，我们提出了首个由完全采用自动驾驶模式在真实世界中收集的端到端基准数据集。该数据集包含来自市场上多款生产级自动驾驶车辆模型的超过 100 小时的自然istic 数据。我们将原始数据分割为 32,727 个关键帧，每个关键帧包含四个同步摄像头图像和高精度 GNSS/IMU 数据（0.8 cm 定位精度）。对于每个关键帧，提供过去 6 秒和未来 5 秒的 20 Hz 车辆轨迹，并附带围绕车辆、行人、红绿灯和路标的详细 2D 标注。这些关键帧具有丰富的场景级属性，包括驾驶员意图、区域类型（覆盖高速公路、城市道路和住宅区）、照明（白天、夜晚或黄昏）、天气（晴天或雨天）、道路表面（铺装或未铺装）、交通密度和易受伤道路使用者（VRU）密度、红绿灯和路标（警告、禁止和指示）。为评估 AV 的安全性，我们采用端到端运动规划模型，对自动驾驶帧上的平均位移误差（ADE）为 1.4 米。该数据集每周继续扩张超过 10 小时新数据，从而为研究自动驾驶行为分析和安全评估提供可持续的基础。PAVE 数据集公开可访问于 https://hkustgz-my.sharepoint.com/:f:/g/personal/kema_hkust-gz_edu_cn/IgDXyoHKfdGnSZ3JbbidjduMAXxs-Z3NXzm005A_Ix9tr0Q?e=9HReCu。
引用
@article{arxiv.2511.14185,
title = {PAVE: An End-to-End Dataset for Production Autonomous Vehicle Evaluation},
author = {Xiangyu Li and Chen Wang and Yumao Liu and Dengbo He and Jiahao Zhang and Ke Ma},
journal= {arXiv preprint arXiv:2511.14185},
year = {2025}
}