[论文解读] Highway traffic data: macroscopic, microscopic and criticality analysis for capturing relevant traffic scenarios and traffic modeling based on the highD data set

Friedrich Kruber, Jonas Wurst+2 more|arXiv (Cornell University)|Mar 11, 2019

Traffic control and management参考文献 12被引用 13

一句话总结

本文利用高D自然驾驶数据集分析高速公路交通，通过宏观、微观和临界性指标表征交通特性。提出基于碰撞前时间（TTC）、头车时距（THW）以及综合风险感知（RP）的可操作阈值，揭示仅2.4%的临界场景涉及主动制动，大多数驾驶员选择变道而非制动。

ABSTRACT

This work provides a comprehensive analysis on naturalistic driving behavior for highways based on the highD data set. Two thematic fields are considered. First, some macroscopic and microscopic traffic statistics are provided. These include the traffic flow rate and the traffic density, as well as velocity, acceleration and distance distributions. Additionally, the dependencies to each other are examined and compared to related work. The second part investigates the distributions of criticality measures. The Time-To-Collision, Time-Headway and a third measure, which couples both, are analyzed. These measures are also combined with other indicators. Scenarios, in which these measures reach a critical level, are separately discussed. The results are compared to related work as well. The two main contributions of this work can be stated as follows. First, the analysis on the criticality measures can be used to find suitable thresholds for rare traffic scenarios. Second, the statistics provided in this work can also be utilized for traffic modeling, for example in simulation environments.

研究动机与目标

• 利用highD数据集分析德国高速公路的自然驾驶行为。
• 通过基本图和每车道载荷表征宏观交通流。
• 通过速度、加速度和距离分布量化微观驾驶员行为。
• 利用TTC、THW和RP识别临界交通场景，并评估驾驶员响应。
• 为罕见交通场景提供数据驱动的阈值，以改进交通仿真与安全建模。

提出的方法

• 本研究使用highD数据集，包含以25 Hz采样记录的45,000公里无人机拍摄高速公路交通数据。
• 宏观分析计算交通流率、密度和车道载荷，基本图基于聚合数据推导得出。
• 微观分析评估速度、纵向/侧向加速度以及距离头车时距（DHW）的分布。
• 计算并分析临界性指标——TTC、THW和RP，其中RP定义为TTC与THW的复合指标。
• 基于先前研究设定的阈值，按风险等级（1–3级）对场景进行分类，并分析临界帧中驾驶员行为（制动、变道）。
• 统计建模结合临界性指标、纵向加速度及运动行为，以评估风险响应模式。

实验结果

研究问题

• RQ1 自然高速公路驾驶中的宏观交通流特征（流率、密度、车道载荷）是什么？
• RQ2 在不同交通条件下，微观驾驶员行为（速度、加速度、头车时距）如何变化？
• RQ3 现实高速公路场景中临界性指标（TTC、THW、RP）的分布与阈值如何？
• RQ4 驾驶员在TTC和THW识别出的高风险场景中，行为响应（制动、变道）如何？
• RQ5 车道变更或制动等运动模式与临界性阈值的相关性有多大？

主要发现

• 仅11.8%的轨迹满足临界场景的时间窗口标准，highD数据集中共识别出3,323个此类场景。
• 在RP ≥ 2.0定义的临界场景中，仅有2.4%的车辆执行了主动制动（ax ≤ -1.5 m/s²），表明高风险情况下制动响应率较低。
• 临界场景中41.7%的车辆具有纵向加速度为负（ax ≤ 0 m/s²），表明存在制动意图但未完全制动。
• 在临界时刻具有负加速度的车辆中，36.4%执行了车道变更，表明车道变更是主要的规避策略。
• 在RP ≥ 2.0条件下，仅有3.8%执行强制动（ax ≤ -1.5 m/s²）的车辆同时进行了车道变更，表明制动与变道行为共现性较低。
• 大多数驾驶员（尤其是RP ≥ 2.0时）在临界场景中未制动，而是依赖车道变更，表明当前安全模型可能低估了非制动规避行为。