[论文解读] 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 7

一句话总结

本文提出了一种基于虚拟车道的实时框架，用于在城市交叉路口通过路边视频实现车辆轨迹跟踪、速度估计，并校准驾驶员行为模型。该方法在平均速度估计上实现了0.19 m/s的误差（占平均速度的2%），并能实现对Gazis-Herman-Rothery跟驰模型的精确校准，平均误差为0.45 m/s。

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.

研究动机与目标

• 开发一种基于路边视频的实时系统，以在城市交叉路口实现对车辆轨迹的精确跟踪与速度估计。
• 通过与高分辨率仪器化车辆数据对比，验证基于视频的速度估计的准确性。
• 利用推断的基于视频的速度数据，对驾驶员行为模型（如Gazis-Herman-Rothery）进行校准。
• 实现基于低成本视频数据的微观交通仿真模型的大规模、自动化校准。
• 通过高保真、基于视频的驾驶员行为参数，提升交通安全性与仿真精度。

提出的方法

• VT-Lane框架利用虚拟交通车道定义与行驶行为相关的兴趣区域，以提升跟踪与分类性能。
• 采用基于深度学习的目标检测方法（如YOLO或类似方法）进行车辆检测与跟踪，实现实时推理，帧率为30 Hz。
• 通过轨迹的时空分辨率并结合透视变换实现速度估计，完成尺度校准。
• 采用高精度仪器化车辆提供100 Hz的真值速度数据，用于与30 Hz的基于视频的速度估计进行对比验证。
• 通过NEMA相位分类和同一车道内车辆的同步跟踪，识别跟驰事件。
• 通过最小化视频推断速度与模型预测速度之间的平均绝对误差（MAE），对驾驶员行为模型参数（Gazis-Herman-Rothery）进行校准。

实验结果

研究问题

• RQ1 基于路边视频的实时车辆速度估计是否能在城市交叉路口环境中实现小于1米/秒的精度？
• RQ2 在自由流与拥堵交通条件下，基于视频的速度估计精度有何差异？
• RQ3 基于视频推断的速度在多大程度上可用于校准Gazis-Herman-Rothery等微观驾驶员行为模型？
• RQ4 在启停运行条件下，遮挡与边界框不稳定性对速度估计精度有何影响？
• RQ5 所提出的框架是否能够实现在多个交叉路口行驶方向上的大规模、自动化驾驶员行为模型校准？

主要发现

• 该框架对平均行驶速度的估计平均绝对误差为0.19 m/sec（占观测平均速度9.52 m/sec的2%）。
• 在自由流条件下，瞬时速度估计的平均误差为0.21 m/sec；在拥堵条件下，平均误差为0.86 m/sec。
• 速度估计的R²值为93%，表明推断速度与真值速度之间具有强相关性。
• 经校准的Gazis-Herman-Rothery模型在所有NEMA行驶方向上均能以0.45 m/sec的平均误差复现真实驾驶行为。
• 可靠校准所需的最小实例数因行驶方向而异，稳定参数估计的阈值为30–60帧。
• 该框架展示了利用仅路边视频数据实现大规模、自动化跟驰模型校准的高潜力。