[论文解读] CitySim: A Drone-Based Vehicle Trajectory Dataset for Safety Oriented Research and Digital Twins

Ou Zheng, Mohamed Abdel‐Aty+4 more|arXiv (Cornell University)|Aug 23, 2022

Autonomous Vehicle Technology and Safety被引用 28

一句话总结

CitySim 提供来自 12 地点、共 1140 分钟视频的 drone 派生车辆轨迹，包括旋转边界框，以支持安全研究和数字孪生应用，通过五步处理管线。

ABSTRACT

The development of safety-oriented research and applications requires fine-grain vehicle trajectories that not only have high accuracy, but also capture substantial safety-critical events. However, it would be challenging to satisfy both these requirements using the available vehicle trajectory datasets do not have the capacity to satisfy both.This paper introduces the CitySim dataset that has the core objective of facilitating safety-oriented research and applications. CitySim has vehicle trajectories extracted from 1140 minutes of drone videos recorded at 12 locations. It covers a variety of road geometries including freeway basic segments, signalized intersections, stop-controlled intersections, and control-free intersections. CitySim was generated through a five-step procedure that ensured trajectory accuracy. The five-step procedure included video stabilization, object filtering, multi-video stitching, object detection and tracking, and enhanced error filtering. Furthermore, CitySim provides the rotated bounding box information of a vehicle, which was demonstrated to improve safety evaluations. Compared with other video-based critical events, including cut-in, merge, and diverge events, which were validated by distributions of both minimum time-to-collision and minimum post-encroachment time. In addition, CitySim had the capability to facilitate digital-twin-related research by providing relevant assets, such as the recording locations' three-dimensional base maps and signal timings.

研究动机与目标

• 以细粒度、高精度的车辆轨迹促进面向安全的研究与应用。
• 覆盖多样化的道路几何形状，以反映现实世界的安全情景。
• 提供数据产品（旋转边界框、地图和信号时序）以支持数字孪生驱动的研究。
• 使用鲁棒指标使对安全关键事件如切入、并道和分流的分析成为可能。

提出的方法

• 在12个地点捕捉总计1140分钟的无人机视频，包含多样化的道路几何。
• 通过五步管线处理轨迹：视频稳定、对象筛选、多视频拼接、对象检测与跟踪，以及增强的误差筛选。
• 提供车辆的旋转边界框信息以改进安全评估。
• 使用最小碰撞时间（minimum time-to-collision）和最小侵入后时间（minimum post-encroachment time）的分布来验证安全事件。
• 提供与数字孪生研究相关的资源，包括记录地点的3D基地图和信号时序。

实验结果

研究问题

• RQ1 如何从无人机视频中提取高精度、与安全相关的车辆轨迹？
• RQ2 与标准边界框相比，使用旋转边界框对安全评估的影响如何？
• RQ3 在 CitySim 数据集中，通过 TTC 和 PET 分布，安全关键事件（例如 cut-ins、merges 和 diverges）如何表现？
• RQ4 CitySim 如何通过随附的基地图和信号时序数据来支持数字孪生研究？

主要发现

• CitySim 提供旋转边界框信息，可提升安全评估。
• 与其他基于视频的关键事件相比，CitySim 使用 TTC 和 PET 分布来分析诸如 cut-ins、merges 和 diverges 之类的事件。
• 轨迹来自 12 个地点、以及多样化的道路几何，总计 1140 分钟的无人机视频生成。
• 使用五步处理管线以确保轨迹精度（稳定化、筛选、拼接、检测/跟踪、误差筛选）。
• 该数据集通过包含记录地点的 3D 基地图和信号时序，支持数字孪生研究。