Qpu523/VPSCI-Dataset

🚦 VPSCI 數據集 – 車輛與行人安全關鍵互動數據集

內容為何 – 一個大規模、高解析度的城市路口車輛與行人近乎碰撞互動數據集。數據是透過三階段強化學習流程（MA-SST-DDPG）生成的，該流程首先在真實世界的近乎碰撞記錄上進行預訓練，接著在 CARLA 駕駛模擬器中進行線上精煉，最後用於合成超過 198,000 個互動片段。

重要性為何 – 自動駕駛車輛研究需要真實且具備安全關鍵性的場景來訓練與評估感知、預測與規劃模組。現有的公開數據集包含相對較少的險情（close-call）事件；VPSCI 填補了這一空白，提供了數千個多樣化、高頻率的軌跡，且透過（人類圖靈測試）證明其與真實世界影片無法區分。

📚 核心內容

項目	細節
場景	CARLA Town10 中的兩個路口佈局（A & B），每個佈局包含四個右轉車輛 / 橫穿行人方向（共 8 個）。
片段	每個 CSV 檔案包含超過 10,000 個片段（約 2.6 km 行人路徑、1.7 km 車輛路徑），以 20 Hz 記錄。
欄位	`count`, `frame`, `veh_id`, `ped_id`, `position_x_av`, `velocity_y_ped`, `CurvTTC` …（完整列表見隨附論文）。
大小	橫跨所有八個場景檔案的約 198,000 個互動片段。
影片	144 個範例影片，展示生成的互動場景（提供下載連結）。
人類評估	51 位參與者進行了真實感評分；生成的影片在統計學上與真實世界記錄無法區分（p = 0.93）。

🛠️ 數據是如何生成的

第一階段 – 預訓練 – 多智能體狀態空間 Transformer 增強型 DDPG（MA-SST-DDPG）智能體從精選的真實近乎碰撞事件集中學習規避行為。
第二階段 – 線上學習 – 智能體在 CARLA 中持續進行適應，遇到各種高風險情況，並縮小模擬與現實之間的差距。
第三階段 – 大規模生成 – 精煉後的智能體在模擬的路口進行駕駛，自動記錄下每一個互動片段。

📥 獲取數據

子集	行人橫穿方向	下載連結
1	南 → 北	[OneDrive link]
2	北 → 南	[OneDrive link]
3	東 → 西	[OneDrive link]
4	西 → 東	[OneDrive link]
5-8	第二個路口佈局的相同四個方向	[OneDrive links]

（每個連結都指向一個包含該子集片段的 CSV 檔案。）

🎬 範例影片

提供 144 個影片 的資料夾可供下載，以查看互動場景的實際運作：[Download video collection].

📊 評估（圖靈測試）

比較組別	t-statistic	p-value	KS-statistic	p-Perl-value	顯著性？
CARLA 基線 vs. MA-SST-DDPG	-13.5	<0.0001	0.4951	<0.0001	是
CARLA 基線 vs. 真實世界	-13.63	<0.0001	0.5294	<0..0001	是
MA-SST-DDPG vs. 真實世界	-0.09	0.9282	0.0588	0.8732	否

生成的影片與真實影片之間缺乏顯著差異，證實了數據集的真實感度極高。

📖 引用

如果你使用該數據集或其底層生成方法，請引用：

@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}
}

🙋‍♂️ 聯繫

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

⭐ Star history

[Star history chart] (自動生成自該儲存庫）。

底線： VPSCI 提供了一個即插即用、透過模擬生成但經過真實感驗證的車輛與行人近乎碰撞軌跡集合，非常適合用於自動駕駛研究中的感知、預測與規劃模型訓練與基準測試。