数据集概述
本数据集围绕智能网联汽车预期功能安全（SOTIF）场景构建，包含70类危害的定义与分类、场景库建设报告、冲突危害赋值方案，以及多实验场景数据（含随机抽样、ChatGPT4辅助实验等）和场景生成模拟器，为智能驾驶SOTIF测试与算法验证提供支持。
文件详解
该数据集包含文档、数据文件和模拟器工具，具体说明如下：
- 文档文件：
- Details-of-Hazards.pdf：PDF格式，定义了四大类共70种危害的详细信息。
- 智能网联汽车预期功能安全场景库建设报告.pdf：PDF格式，研究智能驾驶SOTIF测试场景框架与架构，第7至22页详述视觉危害等外部感知限制相关危害。
- Conflicting Hazard Value Assignment Scheme (CHVAS).pdf：PDF格式，定义冲突危害赋值方案，避免不合理危害组合（如浓雾与强光共存）。
- 数据文件（位于Data目录下）：
- RQ2-RQ4-RandomSampling：存储RQ2和RQ4随机抽样实验数据。
- TrainDataset：用于重新训练YOLO模型的危害数据集。
- TestDataset：测试YOLO模型的危害数据集，含初始与优化后检测结果、真实标签、场景配置文件（Attributes.json）及帧图像（Simulation1.jpg至Simulation10.jpg）。
- RQ2-RandomSampling_ChatGPT4：存储RQ2中ChatGPT4实验数据，含检测结果（Gpt目录下的txt标签文件）、错误统计文件（false.json、false count.json）及场景帧图像。
- RQ3：存储RQ3实验数据，含HazGT、HazGT'、HazGTr实验结果，分天气、交通参与者等子实验，包含迭代最优值、检测结果（YOLO/Frcnn标签）、实验图表及场景样本缓存。
- 模拟器工具：
- HazGTSimulator：智能网联汽车危害交通场景生成模拟器，提供可执行程序（HazGTSimulator.exe）及Unity相关文件。
适用场景
- 智能驾驶SOTIF研究：用于构建预期功能安全测试场景库，优化测试流程与用例设计。
- 自动驾驶感知算法验证：支持YOLO、Frcnn等目标检测算法的训练与测试，评估算法对危害场景的鲁棒性。
- 危害场景生成与冲突避免：基于冲突危害赋值方案，生成合理的交通危害场景用于算法训练。
- 大模型辅助自动驾驶测试：分析ChatGPT4在自动驾驶场景检测中的应用效果与局限性。
- 智能网联汽车测试工具开发：为SOTIF仿真测试软件及测试程序设计提供参考依据。
