[論文レビュー] A Framework for Real-time Traffic Trajectory Tracking, Speed Estimation, and Driver Behavior Calibration at Urban Intersections Using Virtual Traffic Lanes

Awad Abdelhalim, Montasir Abbas+2 more|arXiv (Cornell University)|Jun 18, 2021

Autonomous Vehicle Technology and Safety参考文献 26被引用数 7

ひとこと要約

本稿では、道路沿いの映像から車両の軌道を追跡し、速度を推定し、ドライバー行動モデルを補正するリアルタイムフレームワークを、仮想の交通レーンを用いて提示する。平均速度誤差は0.19 m/s（平均速度の2％）を達成し、Gazis-Herman-Rothery車両追従モデルの正確な補正を可能にする。

ABSTRACT

In a previous study, we presented VT-Lane, a three-step framework for real-time vehicle detection, tracking, and turn movement classification at urban intersections. In this study, we present a case study incorporating the highly accurate trajectories and movement classification obtained via VT-Lane for the purpose of speed estimation and driver behavior calibration for traffic at urban intersections. First, we use a highly instrumented vehicle to verify the estimated speeds obtained from video inference. The results of the speed validation show that our method can estimate the average travel speed of detected vehicles in real-time with an error of 0.19 m/sec, which is equivalent to 2% of the average observed travel speeds in the intersection of the study. Instantaneous speeds (at the resolution of 30 Hz) were found to be estimated with an average error of 0.21 m/sec and 0.86 m/sec respectively for free-flowing and congested traffic conditions. We then use the estimated speeds to calibrate the parameters of a driver behavior model for the vehicles in the area of study. The results show that the calibrated model replicates the driving behavior with an average error of 0.45 m/sec, indicating the high potential for using this framework for automated, large-scale calibration of car-following models from roadside traffic video data, which can lead to substantial improvements in traffic modeling via microscopic simulation.

研究の動機と目的

• 道路沿いの映像を用いて、都市交差点における高精度な車両軌道追跡および速度推定のリアルタイムシステムを開発すること。
• 高分解能の計器装備車両データと比較して、映像ベースの速度推定の正確さを検証すること。
• Gazis-Herman-Rothery などのドライバー行動モデルを、推定された映像ベースの速度データを用いて補正すること。
• 低コストの映像データから、大規模かつ自動化されたマイクロスコピック交通シミュレーションモデルの補正を可能にすること。
• 高精度な、映像から得たドライバー行動パラメータを用いて、交通の安全性とシミュレーションの正確性を向上させること。

提案手法

• VT-Laneフレームワークは、追跡および分類の向上を目的として、動きに特化した仮想交通レーンを定義する。
• 車両検出および追跡は、リアルタイムでの推論（30 Hz）を実現する深層学習ベースの物体検出（例：YOLO または類似手法）を用いて実施する。
• 速度推定は、トラッキングされた軌道と空間的・時間的分解能に基づき、スケール補正のための視点変換を適用して算出する。
• 検証のため、100 Hzで真値速度データを提供する高精度な計器装備車両を用いる。
• NEMAフェーズ分類と、同じレーン内の車両の同時追跡を用いて、車両追従エピソードを同定する。
• ドライバー行動モデルのパラメータ（Gazis-Herman-Rothery）は、映像から推定した速度とモデル予測速度との間の平均絶対誤差（MAE）を最小化することで補正する。

実験結果

リサーチクエスチョン

• RQ1 道路沿いの映像からのリアルタイム車両速度推定は、都市交差点環境で1秒間に1メートル未満の精度を達成できるか？
• RQ2 自由流れと混雑状態の両方において、映像ベースの速度推定の正確さはどのように変化するか？
• RQ3 映像から推定した速度データは、Gazis-Herman-Rothery などのマイクロスコピックドライバー行動モデルの補正にどの程度利用可能か？
• RQ4 止まり・走りの状態におけるオクルージョンおよびボクシングボックスの不安定性が、速度推定の正確さに与える影響は何か？
• RQ5 提案されたフレームワークは、複数の交差点の動きに対して、大規模かつ自動化されたドライバー行動モデルの補正を可能にするか？

主な発見

• フレームワークは、平均走行速度を0.19 m/sec（観測された平均速度9.52 m/secの2％）の平均絶対誤差で推定した。
• 自由流れ状態では瞬時の速度推定誤差が平均0.21 m/sec、混雑状態では0.86 m/secであった。
• 速度推定の決定係数（R²）は93％であり、推定値と真値速度の間には強い相関関係があることが示された。
• 補正されたGazis-Herman-Rotheryモデルは、NEMAのすべての動きにおいて、実際の運転行動を0.45 m/secの平均誤差で再現した。
• 信頼性のある補正に必要な最小インスタンス数は、動きの種別によって異なり、安定したパラメータ推定のための閾値は30～60フレームであった。
• 本フレームワークは、道路沿いの映像データのみを用いて、大規模かつ自動化された車両追従モデルの補正に高い可能性を示した。