[论文解读] Annotation of Car Trajectories based on Driving Patterns

Sobhan Moosavi, Behrooz Omidvar-Tehrani+2 more|arXiv (Cornell University)|May 15, 2017

Data Management and Algorithms参考文献 6被引用 4

一句话总结

本文提出了一种基于驾驶模式的两阶段标注框架，用于标注汽车轨迹，通过众包专家进行标注，随后采用严格和宽松的聚合策略以减少主观性。主要贡献是公开发布的标注汽车轨迹数据集（DACT），该数据集可实现轨迹分割算法的真值评估，且标注者间一致性显著提高（Cohen’s Kappa 从 44% 提升至约 60%）。

ABSTRACT

Nowadays, the ubiquity of various sensors enables the collection of voluminous datasets of car trajectories. Such datasets enable analysts to make sense of driving patterns and behaviors: in order to understand the behavior of drivers, one approach is to break a trajectory into its underlying patterns and then analyze that trajectory in terms of derived patterns. The process of trajectory segmentation is a function of various resources including a set of ground truth trajectories with their driving patterns. To the best of our knowledge, no such ground-truth dataset exists in the literature. In this paper, we describe a trajectory annotation framework and report our results to annotate a dataset of personal car trajectories. Our annotation methodology consists of a crowd-sourcing task followed by a precise process of aggregation. Our annotation process consists of two granularity levels, one to specify the annotation (segment border) and the other one to describe the type of the segment (e.g. speed-up, turn, merge, etc.). The output of our project, Dataset of Annotated Car Trajectories (DACT), is available online at https://figshare.com/articles/dact_dataset_of_annotated_car_trajectories/5005289 .

研究动机与目标

• 解决驾驶行为分析中轨迹分割缺乏真值数据集的问题。
• 通过结构化的两阶段聚合流程，减少轨迹标注中的主观性。
• 开发一种可扩展的框架，用于标注个人汽车轨迹的轨迹段边界和行为标签。
• 创建一个公开可用的高质量数据集，用于训练和评估轨迹分割算法。
• 通过基于共识的聚合和自动化工具，提升轨迹标注的标注者间一致性。

提出的方法

• 采用众包任务，从人类专家处收集关于轨迹段边界和驾驶模式类型的标注。
• 实施两阶段聚合流程：‘严格’和‘宽松’约束，以解决标注冲突并提高一致性。
• 使用 Cohen’s Kappa 和重叠度量评估聚合前后标注者间的共识程度。
• 利用自动化标注机器人（AutoAnn）辅助，减少聚合过程中的人为主观性。
• 基于时空标准（如速度、航向和加速度的变化）定义轨迹段。
• 构建 DACT 数据集，每个数据点包含 14 个属性，包括时间、位置、速度、航向、加速度以及轨迹标注。

实验结果

研究问题

• RQ1 在大规模数据集中，如何有效减少人类对汽车轨迹模式标注的主观性？
• RQ2 在轨迹标注中，使用结构化聚合技术可实现多高的标注者间一致性？
• RQ3 采用双重聚合阶段（严格与宽松）在多大程度上提升了标注的一致性和可靠性？
• RQ4 一个公开可用的、由专家标注的汽车轨迹数据集，能否支持未来在轨迹分割和行为建模方面的研究？
• RQ5 不同评估度量（Cohen’s Kappa 与重叠度）在多大程度上反映了轨迹标注的质量？

主要发现

• 经聚合流程处理后，标注者间一致性的衡量指标 Cohen’s Kappa 从 44% 提升至约 60%。
• 由于约束条件更宽松，'宽松'聚合阶段与专家标注的一致性高于'严格'阶段。
• Cohen’s Kappa 比重叠度量得出的共识值更高，因为它同时考虑了 '是' 和 '否' 的标注。
• 成功构建了标注汽车轨迹数据集（DACT），并已公开发布，获取地址为 https://figshare.com/articles/dact_dataset_of_annotated_car_trajectories/5005289。
• 该数据集每个数据点包含 14 个属性，包含轨迹段边界和行为标签（如加速、转弯、并线）等。
• 标注框架表明，结合专家输入与自动化聚合可显著提升轨迹标注在研究中的可靠性与可用性。