跟随其他车辆是最常见和基本的驾驶活动。安全地跟随其他车辆可以减少碰撞，使交通流畅和可预测。当驾驶员在道路上跟随其他车辆时，适当的跟车模型会以数学或计算方式表示这种行为。
现实世界驾驶数据的可用性和机器学习的发展在过去十年中在数据驱动的跟随车辆模型的繁荣方面起到了重要作用。依赖数据来跟随车辆的模型包括神经网络、循环神经网络和强化学习。然而，目前的研究中存在一些限制，如下所示：
- 首先，由于缺乏标准数据格式，跟车模型尚未得到很好的评估。尽管公共驾驶数据集如NGSIM和HighD等可用，但由于缺乏标准数据格式和跟车模型的评估标准，很难将新提出的模型的性能与现有模型进行比较。
- 其次，当前研究中的数据集有限，无法准确描述混合交通流中的跟车行为。以不考虑自动驾驶车辆的小数据集对车辆跟随行为进行建模一直是过去研究的重点，而在这个时候，人工驾驶和自动驾驶车辆共同在道路上行驶。
为了解决这些问题并创建一个标准数据集，香港科技大学，广东省集成通信重点实验室，同济大学和华盛顿大学的一项新研究发布了一个名为FollowNet的基准。他们使用一致的准则从五个公开可用的数据集中提取了跟随车辆事件以建立这个基准。研究人员在基准范围内执行和评估了五个基准跟车模型，包括传统和数据驱动的方法。他们利用统一的数据格式为行为设定了第一个标准，以便促进跟车模型的创建。处理来自不同数据集的多样化数据结构和框架可能会很困难，但是他们统一的跟车基准考虑到了这一点。
通过使用基准进行训练和评估的两种传统和三种数据驱动的跟随车辆模型——GHR、IDM、NN、LSTM和DDPG。五个流行的公共驾驶数据集——HgihD53、Next Generation Simulation（NGSIM）54、Safety Pilot Model Deployment（SPMD）55、Waymo56和Lyf57——都包含了该基准所定义的跟随车辆事件。研究人员对跟车行为和基本统计信息的几个数据集进行了分析。结果显示使用一致的指标评估基准模型的性能。特别是Waymo和Lyf数据集显示了混合交通情况下的跟车事件。研究人员没有包括持续时间超过90%的静态事件。
即使数据驱动的模型在间距最小均方误差方面表现较传统模型更低，碰撞仍然是可能的。发展具有零碰撞率和较少间距误差的跟车模型是可取的。为了在跟车模型中包含驾驶异质性，需要创建适应性算法和代表性数据集，涵盖各种驾驶风格、行为和交通情况。
研究人员建议未来的数据集必须加入其他特征，以进一步改进跟随车辆模型的性能和真实性。例如，通过添加交通信号和道路条件数据，可以更完整地了解道路环境。如果算法集成了附近车辆及其活动的数据，也可以考虑复杂关系并提供更好的预测。未来的数据集将能够更好地反映真实世界的驾驶场景，从而为创建既强大又有效的跟车算法提供可能。