D2E-An Autonomous Decision-making Dataset involving Driver States and Human Evaluation

随着深度学习技术的进步，数据驱动方法在自动驾驶决策中越来越常见，而数据集的质量极大地影响模型的性能。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，但对人类端数据（包括驾驶员状态和人类评估）的重视还不够。此外，现有数据集主要由简单的场景（如车辆跟随）组成，交互水平低。在本文中，我们介绍了驾驶员评估数据集（D2E），这是一个自主决策数据集，包含有关驾驶员状态、车辆状态、环境情况和人类评审的评估分数，涵盖了车辆决策的全面过程。除了常规代理和周围环境信息外，我们不仅收集驾驶员因素数据，包括第一人称视角视频、生理信号和眼动数据，还提供了来自40名人类志愿者的主观评分。该数据集混合了驾驶模拟器场景和真实道路场景。高交互情境被设计和过滤以确保行为多样性。通过数据组织、分析和预处理，D2E包含了1100多个交互式驾驶案例数据段，涵盖了从人类驾驶因素到评估结果的内容，支持数据驱动决策相关算法的开发。

本论文旨在解决自动驾驶决策中数据集质量不足的问题，特别是缺乏关于驾驶员状态和人类评估的数据，以及缺乏高交互性场景的数据。

本论文提出了一个名为D2E的自动驾驶决策数据集，包含驾驶员状态、车辆状态、环境情况和来自人类评估者的评估分数等方面的数据。该数据集不仅收集了常规的代理和环境信息，还包括驾驶员因素数据，如第一人称视角视频、生理信号和注意力数据，并提供了来自40名志愿者的主观评分。该数据集涵盖了从人类驾驶员因素到评估结果的1100多个交互式驾驶案例数据，支持数据驱动的决策相关算法的开发。

本论文的亮点包括：收集了包括驾驶员状态在内的全面数据，包括第一人称视角视频、生理信号和注意力数据；提供了来自人类评估者的评估分数；设计了高交互性场景以确保行为多样性；数据集包含驾驶模拟器场景和真实道路场景；通过数据组织、分析和预处理，该数据集支持数据驱动的决策相关算法的开发。

最近的相关研究包括：《自动驾驶决策数据集：一个大规模的数据集和基准》，《驾驶员状态监测：现状和未来研究方向》，《基于深度学习的自动驾驶决策：一个综述》等。