[论文解读] A Generic Framework for Clustering Vehicle Motion Trajectories

Fazeleh Sadat Hoseini, Sadegh Rahrovani+1 more|arXiv (Cornell University)|Sep 25, 2020

Time Series Analysis and Forecasting参考文献 25被引用 6

一句话总结

本文提出DTMM，一种非参数化框架，用于聚类长度各异的车辆运动轨迹，且无需关键超参数调优。该框架采用动态时间规整（DTW）进行时间对齐，利用极小极大表示学习嵌入传递关系，并通过t-SNE进行可视化，在真实世界数据上实现了高聚类准确率，同时验证了生成对抗网络（GAN）生成的合成轨迹与真实聚类的一致性。

ABSTRACT

The development of autonomous vehicles requires having access to a large amount of data in the concerning driving scenarios. However, manual annotation of such driving scenarios is costly and subject to the errors in the rule-based trajectory labeling systems. To address this issue, we propose an effective non-parametric trajectory clustering framework consisting of five stages: (1) aligning trajectories and quantifying their pairwise temporal dissimilarities, (2) embedding the trajectory-based dissimilarities into a vector space, (3) extracting transitive relations, (4) embedding the transitive relations into a new vector space, and (5) clustering the trajectories with an optimal number of clusters. We investigate and evaluate the proposed framework on a challenging real-world dataset consisting of annotated trajectories. We observe that the proposed framework achieves promising results, despite the complexity caused by having trajectories of varying length. Furthermore, we extend the framework to validate the augmentation of the real dataset with synthetic data generated by a Generative Adversarial Network (GAN) where we examine whether the generated trajectories are consistent with the true underlying clusters.

研究动机与目标

• 解决在自动驾驶场景分析中聚类长度各异的真实世界车辆轨迹的挑战。
• 开发一种无监督、非参数化的聚类框架，避免对关键超参数的依赖。
• 通过评估其与真实轨迹聚类的一致性，验证GAN生成的合成轨迹的质量。
• 实现在真实数据稀少（如切入场景）的情况下仍能实现有效聚类。
• 为自动驾驶车辆开发中的交通场景数据库构建与维护提供可扩展且稳健的工具。

提出的方法

• 使用动态时间规整（DTW）对齐轨迹，以计算成对的时间差异性。
• 利用极小极大表示学习将基于DTW的差异性嵌入低维向量空间。
• 从嵌入空间中提取传递关系，以增强聚类的可分性。
• 在保留结构关系的前提下，将传递关系重新嵌入新的向量空间。
• 在最终的嵌入空间上应用聚类算法（如高斯混合模型，GMMs）以识别最优聚类。
• 通过生成对抗网络（RecAE-GAN，RecAE-WGAN）生成的合成轨迹对真实轨迹数据集进行增强，以提升少数类别的聚类性能。

实验结果

研究问题

• RQ1 非参数化聚类框架是否能有效处理长度各异的车辆轨迹，且无需关键超参数调优？
• RQ2 从成对差异性中推导出的传递关系，在复杂且细长的轨迹形状中，能在多大程度上提升聚类可分性？
• RQ3 GAN生成的合成轨迹在多大程度上保留了真实世界驾驶场景的结构和分布特性？
• RQ4 该框架能否作为低数据环境下合成轨迹质量的验证工具？
• RQ5 使用GAN生成的轨迹进行数据增强，是否能显著提升对罕见但关键驾驶场景（如切入操作）的聚类性能？

主要发现

• 在包含合成轨迹的增强数据集上，DTMM实现了完美的聚类性能（Rand Index = 1.0，互信息 = 1.0），即使真实数据有限。
• 该框架表现出稳定性和鲁棒性，在不同嵌入维度（d ≥ 1）下结果一致，表明对超参数调优的需求极低。
• t-SNE可视化结果证实，最终空间中嵌入的轨迹在聚类间清晰分离且可区分。
• 肘部法识别出d=2为最优嵌入维度，其中特征值衰减曲线显示出明显的分离点。
• GAN生成的轨迹（RecAE-GAN和RecAE-WGAN）在视觉和定量上均与真实轨迹聚类保持一致，经由DTMM聚类结果验证。
• 当真实数据稀少时（Set4），DTMM无法正确聚类；但使用GAN增强数据后（Set5和Set6），完美聚类得以恢复，证实了合成数据的实用性。