100 Drivers, 2200 km: A Natural Dataset of Driving Style toward Human-centered Intelligent Driving Systems

有效的驾驶风格分析对于开发以人为中心的智能驾驶系统来说至关重要，因为这些系统需要考虑驾驶员的偏好。然而，由于没有带有驾驶风格标签的统一数据集作为可靠的基准，大多数相关研究的方法和结论是多样和不一致的。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。本文通过构建一个自然数据集，即100-DrivingStyle数据集，该数据集标记了100名驾驶员的主观评价驾驶风格，提供了一个新的基准。在这个数据集中，每个驾驶员的驾驶风格的主观量化来自于他们自己和专家的Likert量表问卷。测试路线被选中以覆盖各种驾驶场景，包括高速公路、城市、高速公路匝道和信号交通。收集的驾驶数据包括横向和纵向操作信息，包括转向角度、转向速度、横向加速度、油门位置、油门速率、刹车压力等。这个数据集是第一个提供详细操作数据和驾驶风格标签的数据集，我们使用六种分类器证明了它的基准功能。100-DrivingStyle数据集可以通过https://github.com/chaopengzhang/100-DrivingStyle-Dataset获得。

本论文旨在构建一个标记有驾驶风格的自然数据集，以便于评估和比较不同的驾驶风格分析算法和方法。

通过使用Likert量表，将驾驶者和专家对100个驾驶者的驾驶风格进行主观评估，并收集包括方向盘转角、油门位置、刹车压力等在内的横向和纵向操作信息，建立了一个新的自然数据集。使用这个数据集，论文通过六种分类器验证了数据集的可靠性和有效性。

该数据集是第一个提供详细操作数据和驾驶风格标签的数据集。该数据集可通过GitHub开源，实验设计合理，使用了多种分类器验证数据集的可靠性和有效性。这个数据集可以用于开发更符合驾驶者偏好的智能驾驶系统。

最近的相关研究主要集中在驾驶行为分析和驾驶风格识别方面，如《基于车载传感器数据的驾驶行为分析》、《基于车载传感器数据的驾驶风格识别》等。