[论文解读] TrafficNet: An Open Naturalistic Driving Scenario Library

Ding Zhao, Yaohui Guo+1 more|arXiv (Cornell University)|Aug 1, 2017

Traffic Prediction and Management Techniques被引用 5

一句话总结

TrafficNet 提出了一种基于网络的、按场景组织的库，通过自动化分类算法将按时间顺序记录的自然驾驶数据转化为六种标准化的关键驾驶场景——变道、行人横穿、骑行者相遇等。通过将原始数据结构化为可查询的场景，并开源数据集和代码，TrafficNet 显著提升了研究人员和工程师（即使不具备大规模数据处理能力）对数据的可及性，从而加速智能交通系统的发展。

ABSTRACT

The enormous efforts spent on collecting naturalistic driving data in the recent years has resulted in an expansion of publicly available traffic datasets, which has the potential to assist the development of the self-driving vehicles. However, we found that many of the attempts to utilize these datasets have failed in practice due to a lack of usability concern from the organizations that host these collected data. For example, extracting data associated with certain critical conditions from naturalistic driving data organized in chronological order may not be convenient for a vehicle engineer that doesn't have big data analytics experiences. To address the general usability challenges of these publicly available traffic datasets, we propose TrafficNet, a large-scale and extensible library of naturalistic driving scenarios, aiming at bridging the gap between research datasets and practically usable information for vehicle engineers and researchers. The proposed web-based driving scenario database preprocesses massive raw traffic data collected in chronological order into an organized scenario-based dataset by applying a set of categorization algorithms to label the naturalistic driving data with six different critical driving scenarios. TrafficNet opens not only the scenario library but also the source code of these categorization methods to the public, which will foster more sophisticated and accurate scenario-based categorization algorithms to advance the intelligent transportation research. The source code and the scenario database can be accessed at https://github.com/TrafficNet.

研究动机与目标

• 解决现有自然驾驶数据集的可用性问题，这些数据集通常按时间顺序存储，需经过大量数据处理才能提取场景信息。
• 使不具备大规模数据处理能力的车辆工程师和研究人员能够高效访问并利用大规模实地数据中的关键驾驶场景。
• 开发一个可扩展、可扩展的框架，将原始传感器数据转化为结构化的、基于场景的信息，以支持智能交通系统研究。
• 开源场景数据库和分类算法，以促进社区驱动的场景检测准确性和多样性的提升。

提出的方法

• 使用自动化标注算法，将来自安全驾驶员示范部署（SPMD）项目的原始、按时间顺序排列的自然驾驶数据，转化为基于场景的类别。
• 定义六种关键驾驶场景：变道、行人横穿、骑行者相遇、汇入、紧急制动和交叉路口操作，每种场景均有特定的检测逻辑。
• 应用时间序列分析和几何启发式方法（例如，车道偏离阈值、目标跟踪一致性）来检测事件，如使用车辆和障碍物位置数据进行变道检测。
• 通过车辆坐标变换和GPS数据融合，将行人和骑行者在全局坐标中定位，以实现准确的场景重建。
• 实施过滤算法以减少误报——例如，基于检测一致性，删除数据点少于5个的行人或骑行者事件。
• 将结构化的场景数据存储在可通过网络访问的数据库中，使用标准化列（如pID、cID、StartTime、EndTime）以便于查询和集成。

实验结果

研究问题

• RQ1 如何有效将原始的、按时间顺序组织的自然驾驶数据转化为可重用的、基于场景的信息，以供车辆工程师使用？
• RQ2 哪些自动化方法能够可靠地从多传感器数据中检测并分类关键驾驶场景，如行人横穿和变道？
• RQ3 按场景组织数据在多大程度上提升了不具备大数据分析经验的研究人员的可用性？
• RQ4 开源数据集和分类算法在多大程度上能加速智能交通系统的发展？

主要发现

• TrafficNet 从 SPMD 数据集中成功提取了 565,291 个独立的关键驾驶事件，涵盖六种场景类型，显著提升了数据的可用性。
• 该库通过提供即用的、结构化的场景数据，而非原始的时间顺序传感器流，降低了研究人员的入门门槛。
• 通过剔除数据点不足的场景（例如，行人事件少于5行）有效减少了误报事件。
• 系统通过在车辆和障碍物轨迹中应用几何和时间一致性检查，实现了对变道和行人横穿等事件的精确定位。
• 开源数据集和分类代码使社区能够扩展和改进场景检测算法。
• 该方法表明，对自然驾驶数据进行基于场景的结构化处理，可显著提升大规模实地数据在自动驾驶车辆开发中的实际应用价值。