当前高阶自动驾驶已进入规模化落地的关键攻坚期，混合交通场景下行人与车辆交互行为的不确定性，始终是制约自动驾驶决策安全性、算法泛化性的核心行业痛点。过往公开的人车交互数据集大多来自车载激光雷达、校准摄像头等专业采集设备，采集场景多集中于结构化主干道，对不同气候条件、非核心路段的非结构化混行场景覆盖不足，且与国内路侧广泛部署的普通监控设备的数据特征差异较大，极易导致算法模型在实际落地中出现性能骤降的“域漂移”问题。针对这一共性需求，上海交通大学研究团队于2026年5月25日在arXiv平台首发公开PINNS人车交互轨迹预测数据集，为相关领域研发提供标准化的底层数据支撑。
据介绍，PINNS是国内首个面向非结构化混合交通场景、基于未校准监控视频构建的人车交互专项数据集，覆盖全球多个国家和地区的典型交通场景，囊括了不同季节、光照条件、雨雪雾等恶劣天气下的样本，尽可能还原了现实交通场景的复杂度与多样性。数据集的构建严格遵循中国自动化学会发布的相关行业标准，团队自研专属标注框架，可从原始监控视频中高效提取并标注行人、车辆的全量轨迹数据，以及对应的场景级环境信息，标注精度满足自动驾驶算法训练的相关要求。
从应用价值来看，PINNS数据集的核心应用方向覆盖自动驾驶、智慧交通两大核心赛道。在自动驾驶领域，该数据集可用于高阶自动驾驶感知预测模块的训练与验证，尤其是针对老旧城区支路、无信号灯人行横道、商圈周边等混合交通高频场景，帮助算法优化人车交互决策逻辑，降低极端场景下的安全风险；在智慧交通领域，数据集可支撑路侧感知算法优化、路口信号灯动态配时、区域车流人流预判调度等多类应用的研发。此外，该数据集也可为车路协同系统的多源感知融合算法、交通出行异常事件预警模型的研发提供数据支撑。
当前我国智能网联汽车产业进入快速发展期，高质量标注数据集是人工智能算法迭代的核心生产资料，也是数据要素市场在汽车数字化、交通数字化领域的核心组成部分。PINNS数据集的发布，既填补了国内非校准来源人车交互专项数据集的空白，也为行业相关数据集的标准化构建提供了参考范本，将有效推动自动驾驶场景建模、轨迹预测领域的技术研发进程，为高阶自动驾驶的规模化落地筑牢数据底座。
详情页内容：
_1769672084863.jpg)