DriveDNA：大規模多模態自然駕駛風格識別資料集與基準
為何重要
針對自動駕駛與 ADAS 開發者，該基準強調了多模態融合在排除背景雜訊、僅保留駕駛個性方面的關鍵優勢，指出了單一路徑依賴的脆弱性。研究揭示請於強調「路徑洩漏」的現象，警示開發者在追求高準確率時，需確保模型並非在學習無關的環境線索而非真正的行為模式。該 DataSet 為建立可靠、可解釋的駕駛風格模型提供了業界亟需的高品質跨車型資料資產。
為瞭解決真實駕駛環境下，難以將車輛、情境與個人風格訊號區分的問題，研究團隊發布了「DriveDNA」基準。該資料集涵蓋 465 位來自 115 種車型的駕駛人、4,121 次駕駛及總長 975 小時的 10 Hz 前向視訊資料。基準包含三項核心任務（少樣本駕駛者重識別、個性化行為預測）與 276,248 個人工審計標註。實驗顯示，學習到的表示法在未見過的駕駛人上羅卡係數（AUROC）達 .935，顯著優於傳統描述符（.707），但純視覺模型存在嚴重路徑洩漏問題。