← 返回论文列表

OVPD：现场自动驾驶挑战赛虚拟物理融合测试数据集
OVPD: A Virtual-Physical Fusion Testing Dataset of OnSite Auton-omous Driving Challenge

作者: Yuhang Zhang, Jiarui Zhang, Bowen Jian 等9人
arXiv: 2604.20423v1
分类: cs.RO
📝 论文摘要
自动驾驶算法的快速迭代，对高保真、可复现、可诊断的测试数据需求日益增长。然而，现有公开数据集大多缺乏真实车辆动力学反馈及与周边交通、道路设施的闭环交互，难以全面反映算法部署就绪度。为此，我们推出OVPD（现场虚实融合测试数据集），该数据集源自2025年现场自动驾驶挑战赛，以实车在环测试为核心，通过虚拟背景交通与车路感知融合，在封闭测试场内构建了可控、可交互的闭环测试环境。数据集包含20支参赛队伍在15个原子场景串联形成的场景链中产生的20段测试片段，总时长近3小时，涵盖车辆轨迹与状态、控制指令、数字孪生渲染环视观测等多模态数据。OVPD支持长尾规划决策验证、开环或平台赋能闭环评测，可从安全性、效率、舒适性、规则遵从性及交通影响等多维度进行综合评估，为故障诊断与算法迭代提供可操作的依据。数据集可通过以下链接获取：https://huggingface.co/datasets/Yuhang253820/Onsite_OPVD

📊 核心分析

🎯 研究动机
该论文旨在解决自动驾驶算法测试中高质量数据集不足的问题。研究背景是： - 自动驾驶算法快速迭代，需要高保真、可复现、可诊断的测试数据 - 现有公开数据集缺乏真实车辆动力学反馈以及与周围交通和道路基础设施的闭环交互 - 现有数据难以充分反映算法在实际部署中的准备程度
🔧 核心方法
论文提出了OVPD（现场虚拟物理融合测试数据集），具体方法包括： - 采用真实车辆在环(real-vehicle-in-the-loop)测试框架 - 将虚拟背景交通与车路协同感知(vehicle-infrastructure perception)相结合 - 在试验场构建可控、交互的闭环测试环境 - 包含20个团队在15个原子场景链中的测试片段，总计近3小时多模态数据 - 数据涵盖车辆轨迹与状态、控制指令、数字孪生渲染的全景观测
💡 核心创新
论文的核心创新点包括： - 首创虚拟物理融合(virtual-physical fusion)测试数据集，填补了现有数据集的空白 - 实现了真实车辆动力学与虚拟交通环境的闭环交互(closed-loop interaction) - 通过车路协同感知构建了更真实的测试环境，超越了单一车辆视角的限制 - 支持从开环到平台使能的闭环评估，提供可操作的故障诊断依据
🏆 总体贡献
论文对该领域的整体贡献是： - 提供了首个面向现场自动驾驶挑战的虚拟物理融合测试数据集 - 支持长尾规划与决策验证、安全性/效率/舒适性/规则遵守/交通影响等多维度评估 - 为自动驾驶算法的失败诊断和迭代改进提供了可操作的证据 - 数据集已公开可用，促进了自动驾驶测试评估的标准化和可复现性