Qpu523/VPSCI-Dataset

🚦 VPSCI 数据集 – 车辆与行人安全关键交互数据集

内容为何 – 一个大规模、高分辨率的城市路口车辆与行人近乎碰撞交互数据集。数据是通过三阶段强化学习流程（MA-SST-DDPG）生成的，该流程首先在真实世界的近乎碰撞记录上进行预训练，然后在 CARLA 驾驶模拟器中进行在线精炼，最后用于合成超过 198,000 个交互片段。

重要性为何 – 自动驾驶车辆研究需要现实且具備安全关键性的场景来训练和评估感知、预测和规划模块。现有的公开数据集包含相对较少的险情（close-call）事件；VPSCI 填补了这一空白，提供了数千个多样的、高频的轨迹，且通过（人类图灵测试）证明其与真实世界视频无法区分。

📚 核心内容

項目	细节
场景	CARLA Town10 中的两个路口布局（A & B），每个布局包含四个右转车辆 / 穿越行人方向（共 8 个）。
片段	每个 CSV 文件包含超过 10,000 个片段（≈ 2.6 km 行人路径、1.7 km 车辆路径），以 20 Hz 记录。
字段	`count`, `frame`, `veh_id`, `ped_id`, `position_x_av`, `velocity_y_ped`, `CurvTTC` …（完整列表见随附论文）。
大小	横跨所有八个场景文件的约 198,000 个交互片段。
视频	144 个示例视频，展示生成的交互场景（提供下载链接）。
人类评估	51 位参与者对真实感进行了评分；生成的视频在统计学上与真实世界记录无法区分（p = 0.93）。

🛠️ 数据是如何创建的

第一阶段 – 预训练 – 多智能体状态空间 Transformer 增强型 DDPG（MA-SST-DDPG）智能体从精选的真实近乎碰撞事件集中学习规避行为。
第二阶段 – 在线学习 – 智能体在 CARLA 中持续进行适应，遇到各种高风险 situations 并在模拟与现实之间缩小差距。
第三阶段 – 大规模生成 – 精炼后的智能体在模拟的路口进行驾驶，自动记录下每一个交互片段。

📥 获取数据

子集	行人穿越方向	下载链接
1	南 → 北	[OneDrive link]
2	北 → 南	[OneDrive link]
3	东 → 西	[OneDrive link]
4	西 → 东	[OneDrive link]
5-8	第二个路口布局的相同四个方向	[OneDrive links]

（每个链接都指向一个包含该子集片段的 CSV 文件。）

🎬 示例视频

提供 144 个视频 的文件夹可供下载，以查看交互场景的实际运作：[Download video collection].

📊 评估（图灵测试）

比较组别	t-statistic	p-value	KS-statistic	p-value	显著性？
CARLA 基线 vs. MA-SST-DDPG	-13.5	<0.0001	0-4951	<0.0001	是
CARLA 基线 vs. 真实世界	-13.63	<0.0001	0.5294	<0.0001	Yes
MA-SST-DDPG vs. 真实世界	-0.09	0.9282	0-588	<0.8732	否

生成的视频与真实视频之间缺乏显著差异，证实了数据集的真实感度极高。

📖 引用

如果你使用该数据集或其底层的生成方法，请引用：

@article{pu2027generating,
  title   = {Generating realistic safety--critical scenarios for vehicle--pedestrian interactions},
  author  = {Pu, Qingwen and Xie, Kun and Zhu, Yuan and Zhai, Guocong},
  journal = {Transportation Research Part C: Emerging Technologies},
  volume  = {194},
  pages   = {106002},
  year    = {2027},
  doi     = {10.1016/j.trc.2026.106002},
  url     = {https://www.sciencedirect.com/science/article/pii/S0968090X26004882}
}

🙋‍♂️ 联系

Kun Xie – kxie@odu.edu
Qingwen Pu – qpu001@odu.edu

⭐ Star history

[Star history chart] (自动生成自该仓库）。

底线： VPSCI 提供了一个即插即用、通过模拟生成但经过真实感验证的车辆与行人近乎碰撞轨迹集合，非常适合用于自动驾驶研究中的感知、预测和规划模型训练与基准测试。