芯耀
972
車路協(xié)同系統(tǒng)是基于無線通信，傳感器探測等技術獲取車輛和道路信息，通過車車通信（V2V），車路通信（V2I)實現(xiàn)信息交互和共享，從而實現(xiàn)車輛和路測設備之間的協(xié)調，實現(xiàn)優(yōu)化使用道路資源，提高交通安全，緩解擁堵等目標。實現(xiàn)車路協(xié)同所需的硬件一般可分為車端設備和路端設備。車端設備OBU(OnBorad Unit)，主要負責與路端的通信，OBU還需要和車端的ADAS域控制器進行數(shù)據(jù)交互。路端設備RSU(RoadSide Unit)，主要負責與車端OBU通信，另外還包含攝像頭，毫米波雷達，激光雷達等感知設備，及數(shù)據(jù)處理所需的高性能計算單元。路端感知所使用的技術與自動駕駛車端所使用的技術類似，如使用深度學習，點云處理，多傳感器融合等技術。
1、NGSIM
做自動駕駛或者圖像處理的小伙伴一定很熟悉KITTI數(shù)據(jù)集。KITTI數(shù)據(jù)集的數(shù)據(jù)采集平臺裝配有2個灰度攝像機，2個彩色攝像機，一個Velodyne 64線3D激光雷達，4個光學鏡頭，以及1個GPS導航系統(tǒng)。所有傳感器的數(shù)據(jù)需要進行坐標變化，最后統(tǒng)一轉化到車載坐標系，當然“視角”都是基于車輛的。
圖1
如果做車路協(xié)同路端的研究，就必然需要路端“視角”的數(shù)據(jù)集，基于車端采集的數(shù)據(jù)集便不適用。目前來看，行業(yè)內此類公開數(shù)據(jù)集較少。筆者最近發(fā)現(xiàn)一個很適合做車路協(xié)同方向研究的數(shù)據(jù)集——NGSIM。
NGSIM 數(shù)據(jù)集是由研究人員通過一個叫做"Next Generation Simulation"的項目收集來的。該數(shù)據(jù)集覆蓋了結構化道路的路口，高速上下閘道等車路協(xié)同研究的熱點區(qū)域。該項目的研究人員對原始的視頻信息做了后處理，生成了交通流中每輛車的行駛軌跡數(shù)據(jù)。數(shù)據(jù)集采集于美國的四個不同地區(qū)，分別是加州南向的US 101號公路，加州洛杉磯的Lankershim Boulevard地圖, 加州埃默里維爾的東向的 I-80號公路，以及佐治亞州亞特拉大的Peachtree Street，下面介紹其中的兩個區(qū)域，這兩個區(qū)域也是車路協(xié)同中經(jīng)常研究的場景。
2、路口通行場景
圖2
圖2是Lankershim Boulevard地區(qū)的道路地圖。該區(qū)域道路長約1600英尺（約487.7米），包含4個帶有交通信號燈的路口，每個方向的道路包含3或者4條車道。攝像頭采集到的原始視頻數(shù)據(jù)時常約9個小時，分為早晚兩個高峰錄制。數(shù)據(jù)收集系統(tǒng)對視頻中的車輛進行了感知和跟蹤，如果跟蹤精度和準度符合預期，則直接生成車輛運動軌跡點，并保存到數(shù)據(jù)庫，否則需要進行人工修正之后再次保存。區(qū)域內車輛的軌跡點的保存周期為100ms(10Hz)。
為方便分類及過濾軌跡數(shù)據(jù)，需要對車輛的運動軌跡與道路的相對關系進行描述。下面定義了這些描述的關鍵詞，使用這些關鍵詞可以很方便的對每個路口，車道，區(qū)域等進行編號分類。
|
關鍵詞 |
含義 |
|
駛入研究區(qū)域的路口，編號從101到111。即表明車輛是從哪個路口駛入這片區(qū)域的 |
|
|
Destination |
駛離研究區(qū)域的路口，編號從201到211。即表明車輛是從哪個路口駛離這片區(qū)域的 |
|
Intersection |
十字路口。此片區(qū)域共包含4個路口，從南到北依次編號為1，2，3，4 |
|
Section |
分割區(qū)域編號。此研究區(qū)域被4個路口分割成5個小區(qū)域。 |
|
Lane |
道路中車道的編號。具體編號由上圖所示。 |
有了上述的這些定義，可以很方便的將任意一輛駛入或者駛離該區(qū)域的車輛軌跡描述出來。
3、匝道匯入?yún)R出場景
圖3所示的這條公路是加州洛杉磯南北走向的交通大動脈——U.S. Highway 101。緊鄰著U. S. Highway 101 和 Lankershim Boulevard交互處，有一幢36層高的建筑，Universal City Plaza, 采集數(shù)據(jù)的攝像頭就安裝在這幢建筑上。攝像頭采集數(shù)據(jù)區(qū)域長度約為2100英尺（約640米），包含五條車道（1~5號車道）。6號車道兩端連接7號和8號車道，分別為匝道匯入車道和匯出車道。同樣地，車輛軌跡點的保存周期為100ms (10Hz)。
圖 3
4、NGSIM 車輛軌跡數(shù)據(jù)類型
NGSIM數(shù)據(jù)集可導出為csv格式表單。該表單第一行字段含義如下表所示。需要注意的是，筆者并沒有羅列全部的字段，只羅列了常用的，且不太好理解的加以解釋。
|
字段 |
說明 |
備注 |
|
Vehicle_ID |
車輛編號 |
有可能會出現(xiàn)重復 |
|
Frame_ID |
數(shù)據(jù)幀號 |
與該路徑點產(chǎn)生的時間相關 |
|
Total_Frame |
數(shù)據(jù)總幀 |
某輛車被跟蹤的生命周期（存在長度） |
|
Global_Time |
UTC時間 |
13位的標準UTC時間，精確到ms |
|
Local_X/ Local_Y |
采集區(qū)域坐標系的X/Y值 |
局部坐標系下的位置值，常用 |
|
v_Vel / v_Acc |
車輛的行進方向的速度和加速度 |
即運動方向的速度及加速度 |
|
Lane_ID |
車輛所在的車道編號 |
見圖2和圖3中的1，2，3等 |
|
O_Zone |
駛入研究區(qū)域的路口，編號從101到111。 |
表明車輛是從哪個路口駛入這片區(qū)域的 |
|
D_Zone |
駛離研究區(qū)域的路口，編號從201到211。 |
表明車輛是從哪個路口駛離這片區(qū)域的 |
|
Int_ID |
路口編號 |
共四個，由南向北序號遞增 |
5、數(shù)據(jù)集使用示例
假設我們需要研究車輛通過路口可能的運動模式(motion pattern), 那么首先需要對原始的數(shù)據(jù)根據(jù)不同的運動模式進行分類。未分類前，將所有通過該路口的車輛軌跡全部顯示出來，如圖4所示。
圖4
結合實際場景和生活常識，考慮車輛可能行進的方向，可將上圖中的軌跡分類成8類運動模式。然后使用一些聚類算法，如K-MEANS等，可以對這些軌跡進行分類，為后面的模型訓練做數(shù)據(jù)準備。圖5展示了使用K-MEANS對原始軌跡進行分類后的結果，不同的顏色代表不同的運動模式。
圖5
得到根據(jù)運動模式而分類的數(shù)據(jù)后，可以用這些分類好的數(shù)據(jù)分別建立模型，調試軌跡預測，規(guī)劃等算法。
6、干貨來了，下載地址
數(shù)據(jù)集可直接在其網(wǎng)站首頁下載,也可在線導出csv格式文件。4個數(shù)據(jù)集除包含原始軌跡信息外，還包含數(shù)據(jù)采集區(qū)域道路信息，車流分析報告等文件，下圖6紅框內的壓縮文件，即包含了上述的這些文件。
下載地址:
https://data.transportation.gov/Automobiles/Next-Generation-Simulation-NGSIM-Vehicle-Trajector/8ect-6jqj
圖6
