Assetto Corsa Gym 自动驾驶赛车模拟基准数据集 2024 版资源分享

一、数据集基础信息

Assetto Corsa Gym 大规模自动驾驶赛车模拟基准数据集由加州大学圣地亚哥分校、格拉茨工业大学、Unimore、Know-Center GmbH四大机构于 2024 年联合推出，相关研究成果对应论文为《A Simulation Benchmark for Autonomous Racing with Large-Scale Human Data》，是自动驾驶赛车领域高价值的模拟研究数据集。

二、数据集核心数据规模

本数据集累计收集6400 万步赛车驾驶核心数据，其中 230 万步为不同驾驶水平人类驾驶员实测数据，剩余数据由 Soft Actor-Critic (SAC) 策略生成，数据维度丰富、覆盖场景全面，满足自动驾驶赛车算法训练与验证的核心需求。

1. 人类驾驶员数据采集规格

数据采集共涉及 15 名驾驶员，涵盖全驾驶水平梯度：1 名专业电子竞技驾驶员、4 名专家级驾驶员、5 名业余驾驶员、5 名初学驾驶员；采集过程严格遵循每条赛道 + 每辆车至少完成 5 圈的标准，保证数据的有效性与普适性。

2. 车型 & 赛道数据分布

数据集覆盖 F317、GT3、Miata 三款主流赛车车型，BRN、MNZ、RBR、IND 四大核心赛道，累计完成 189 个赛段、927 圈实测，各车型 - 赛道组合均有对应的 SAC 策略数据与人类驾驶数据支撑（具体数据维度含赛段、圈数、人类驾驶步数、SAC 策略步数）。

三、数据集适用范围

自动驾驶赛车算法的研发、训练与性能验证，尤其适用于基于强化学习的赛车决策模型优化；

智能驾驶领域的路径规划、车速控制、场景感知等技术的模拟研究；

高校、科研机构的自动驾驶、智能交通相关课题研究与实验；

企业自动驾驶研发团队的算法测试与场景化数据支撑。

下图为数据总结：