[論文レビュー] TrafficNet: An Open Naturalistic Driving Scenario Library

Ding Zhao, Yaohui Guo+1 more|arXiv (Cornell University)|Aug 1, 2017

Traffic Prediction and Management Techniques被引用数 5

ひとこと要約

TrafficNetは、自然主義的ドライブデータを、自動分類アルゴリズムを用いて6つの標準化された危険な運転シナリオ（車線変更、歩行者横断、自転車乗り場との接触など）に変換する、ウェブベースでシナリオ別に整理されたライブラリを提案する。生データを活用可能でクエリ可能なシナリオに構造化し、データセットとコードをオープンソース化することで、大規模データ処理の専門知識がなくても研究者やエンジニアが容易に利用できるようになり、インтелиジェントトランスポーテーションシステムの開発を迅速化する。

ABSTRACT

The enormous efforts spent on collecting naturalistic driving data in the recent years has resulted in an expansion of publicly available traffic datasets, which has the potential to assist the development of the self-driving vehicles. However, we found that many of the attempts to utilize these datasets have failed in practice due to a lack of usability concern from the organizations that host these collected data. For example, extracting data associated with certain critical conditions from naturalistic driving data organized in chronological order may not be convenient for a vehicle engineer that doesn't have big data analytics experiences. To address the general usability challenges of these publicly available traffic datasets, we propose TrafficNet, a large-scale and extensible library of naturalistic driving scenarios, aiming at bridging the gap between research datasets and practically usable information for vehicle engineers and researchers. The proposed web-based driving scenario database preprocesses massive raw traffic data collected in chronological order into an organized scenario-based dataset by applying a set of categorization algorithms to label the naturalistic driving data with six different critical driving scenarios. TrafficNet opens not only the scenario library but also the source code of these categorization methods to the public, which will foster more sophisticated and accurate scenario-based categorization algorithms to advance the intelligent transportation research. The source code and the scenario database can be accessed at https://github.com/TrafficNet.

研究の動機と目的

• 既存の自然主義的ドライブデータセットには、時系列に並べて保存されており、シナリオ抽出のための膨大なデータ処理を要するという使いやすさのギャップを解消すること。
• 大規模フィールドデータから重要な運転シナリオを効率的にアクセス・利用できるように、ビッグデータの専門知識がなくても車両エンジニアや研究者が活用できる環境を整えること。
• 生のセンサデータを構造化されたシナリオベースの情報に変換するスケーラブルで拡張可能なフレームワークを構築すること。
• シナリオデータベースと分類アルゴリズムをオープンソース化して、コミュニティ主導のシナリオ検出の精度と多様性の向上を促進すること。

提案手法

• 安全パイLOTモデルデプロイメント（SPMD）から得た、時系列に並べられた生の自然主義的ドライブデータを、自動ラベリングアルゴリズムを用いてシナリオベースのカテゴリに変換する。
• 6つの重要な運転シナリオ（車線変更、歩行者横断、自転車乗り場との接触、合流、緊急ブレーキ、交差点での操作）を定義し、それぞれに特定の検出論理を設定する。
• 時系列解析と幾何的ヒューリスティクス（例：車線逸脱のしきい値、ターゲット追跡の一貫性）を用いて、車両および障害物の位置データから車線変更などのイベントを検出する。
• 車両座標変換とGPSデータ統合を用いて、歩行者および自転車のグローバル座標での局所化を実現し、正確なシナリオ再構築を可能にする。
• 検出の一貫性に基づき、フィルタリングアルゴリズムを実装して誤検出を低減する（例：歩行者や自転車のイベントで5行未満のデータポイントを持つものは除外）。
• 標準化されたカラム（例：pID、cID、StartTime、EndTime）を備えたウェブアクセス可能なデータベースに構造化されたシナリオデータを格納し、クエリ可能で統合しやすいようにする。

実験結果

リサーチクエスチョン

• RQ1 時系列に並べられた生の自然主義的ドライブデータを、車両エンジニアが効果的に再利用可能なシナリオベースの情報に変換する方法は何か？
• RQ2 マルチセンサデータから歩行者横断や車線変更などの重要な運転シナリオを信頼性高く検出し分類する自動化手法は何か？
• RQ3 データをシナリオ別に整理することで、ビッグデータ分析の経験のない研究者の使いやすさはどの程度向上するか？
• RQ4 データセットと分類アルゴリズムの両方をオープンソース化することで、インテリジェントトランスポーテーションシステムの開発はどの程度加速するか？

主な発見

• TrafficNetは、SPMDデータセットから6つのシナリオタイプにわたり、合計565,291件の異なる危険な運転イベントを効果的に抽出し、データの使いやすさを顕著に向上させた。
• このライブラリにより、研究者が生の時系列順センサストリームではなく、即座に利用可能な構造化されたシナリオデータを入手できるようになり、参入障壁が著しく低下した。
• データポイントが不足するイベント（例：5行未満の歩行者イベント）を除外するフィルタリングにより、誤検出の発生が効果的に低減された。
• 車両および障害物の軌道における幾何的・時間的整合性のチェックを用いることで、車線変更や歩行者横断などのイベントの正確な局所化が可能になった。
• データセットと分類コードの両方をオープンソース化することで、コミュニティによるシナリオ検出アルゴリズムの拡張と改善が可能になった。
• 本手法は、自然主義的データをシナリオベースに構造化することで、自律走行車開発における大規模フィールドデータの実用的有用性を劇的に高められることを示した。