1626
車(chē)路協(xié)同系統(tǒng)是基于無(wú)線通信，傳感器探測(cè)等技術(shù)獲取車(chē)輛和道路信息，通過(guò)車(chē)車(chē)通信（V2V），車(chē)路通信（V2I)實(shí)現(xiàn)信息交互和共享，從而實(shí)現(xiàn)車(chē)輛和路測(cè)設(shè)備之間的協(xié)調(diào)，實(shí)現(xiàn)優(yōu)化使用道路資源，提高交通安全，緩解擁堵等目標(biāo)。實(shí)現(xiàn)車(chē)路協(xié)同所需的硬件一般可分為車(chē)端設(shè)備和路端設(shè)備。車(chē)端設(shè)備OBU(OnBorad Unit)，主要負(fù)責(zé)與路端的通信，OBU還需要和車(chē)端的ADAS域控制器進(jìn)行數(shù)據(jù)交互。路端設(shè)備RSU(RoadSide Unit)，主要負(fù)責(zé)與車(chē)端OBU通信，另外還包含攝像頭，毫米波雷達(dá)，激光雷達(dá)等感知設(shè)備，及數(shù)據(jù)處理所需的高性能計(jì)算單元。路端感知所使用的技術(shù)與自動(dòng)駕駛車(chē)端所使用的技術(shù)類(lèi)似，如使用深度學(xué)習(xí)，點(diǎn)云處理，多傳感器融合等技術(shù)。
NGSIM
做自動(dòng)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(tái)裝配有2個(gè)灰度攝像機(jī)，2個(gè)彩色攝像機(jī)，一個(gè)Velodyne 64線3D激光雷達(dá)，4個(gè)光學(xué)鏡頭，以及1個(gè)GPS導(dǎo)航系統(tǒng)。所有傳感器的數(shù)據(jù)需要進(jìn)行坐標(biāo)變化，最后統(tǒng)一轉(zhuǎn)化到車(chē)載坐標(biāo)系，當(dāng)然“視角”都是基于車(chē)輛的。
如果做車(chē)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(chē)端采集的數(shù)據(jù)集便不適用。目前來(lái)看，行業(yè)內(nèi)此類(lèi)公開(kāi)數(shù)據(jù)集較少。筆者最近發(fā)現(xiàn)一個(gè)很適合做車(chē)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(guò)一個(gè)叫做"Next Generation Simulation"的項(xiàng)目收集來(lái)的。該數(shù)據(jù)集覆蓋了結(jié)構(gòu)化道路的路口，高速上下閘道等車(chē)路協(xié)同研究的熱點(diǎn)區(qū)域。該項(xiàng)目的研究人員對(duì)原始的視頻信息做了后處理，生成了交通流中每輛車(chē)的行駛軌跡數(shù)據(jù)。數(shù)據(jù)集采集于美國(guó)的四個(gè)不同地區(qū)，分別是加州南向的US 101號(hào)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(hào)公路，以及佐治亞州亞特拉大的Peachtree Street，下面介紹其中的兩個(gè)區(qū)域，這兩個(gè)區(qū)域也是車(chē)路協(xié)同中經(jīng)常研究的場(chǎng)景。
路口通行場(chǎng)景
圖1
圖2是Lankershim Boulevard地區(qū)的道路地圖。該區(qū)域道路長(zhǎng)約1600英尺（約487.7米），包含4個(gè)帶有交通信號(hào)燈的路口，每個(gè)方向的道路包含3或者4條車(chē)道。攝像頭采集到的原始視頻數(shù)據(jù)時(shí)常約9個(gè)小時(shí)，分為早晚兩個(gè)高峰錄制。數(shù)據(jù)收集系統(tǒng)對(duì)視頻中的車(chē)輛進(jìn)行了感知和跟蹤，如果跟蹤精度和準(zhǔn)度符合預(yù)期，則直接生成車(chē)輛運(yùn)動(dòng)軌跡點(diǎn)，并保存到數(shù)據(jù)庫(kù)，否則需要進(jìn)行人工修正之后再次保存。區(qū)域內(nèi)車(chē)輛的軌跡點(diǎn)的保存周期為100ms(10Hz)。
為方便分類(lèi)及過(guò)濾軌跡數(shù)據(jù)，需要對(duì)車(chē)輛的運(yùn)動(dòng)軌跡與道路的相對(duì)關(guān)系進(jìn)行描述。下面定義了這些描述的關(guān)鍵詞，使用這些關(guān)鍵詞可以很方便的對(duì)每個(gè)路口，車(chē)道，區(qū)域等進(jìn)行編號(hào)分類(lèi)。
|
關(guān)鍵詞 |
含義 |
|
駛?cè)胙芯繀^(qū)域的路口，編號(hào)從101到111。即表明車(chē)輛是從哪個(gè)路口駛?cè)脒@片區(qū)域的 |
|
|
Destination |
駛離研究區(qū)域的路口，編號(hào)從201到211。即表明車(chē)輛是從哪個(gè)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(gè)路口，從南到北依次編號(hào)為1，2，3，4 |
|
Section |
分割區(qū)域編號(hào)。此研究區(qū)域被4個(gè)路口分割成5個(gè)小區(qū)域。 |
|
Lane |
道路中車(chē)道的編號(hào)。具體編號(hào)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?cè)牖蛘唏傠x該區(qū)域的車(chē)輛軌跡描述出來(lái)。
匝道匯入?yún)R出場(chǎng)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(dòng)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(zhǎng)度約為2100英尺（約640米），包含五條車(chē)道（1~5號(hào)車(chē)道）。6號(hào)車(chē)道兩端連接7號(hào)和8號(hào)車(chē)道，分別為匝道匯入車(chē)道和匯出車(chē)道。同樣地，車(chē)輛軌跡點(diǎn)的保存周期為100ms (10Hz)。
NGSIM 車(chē)輛軌跡數(shù)據(jù)類(lèi)型
NGSIM數(shù)據(jù)集可導(dǎo)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(méi)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(shuō)明 |
備注 |
|
Vehicle_ID |
車(chē)輛編號(hào) |
有可能會(huì)出現(xiàn)重復(fù) |
|
Frame_ID |
數(shù)據(jù)幀號(hào) |
與該路徑點(diǎn)產(chǎn)生的時(shí)間相關(guān) |
|
Total_Frame |
數(shù)據(jù)總幀 |
某輛車(chē)被跟蹤的生命周期（存在長(zhǎng)度） |
|
Global_Time |
UTC時(shí)間 |
13位的標(biāo)準(zhǔn)UTC時(shí)間，精確到ms |
|
Local_X/ Local_Y |
采集區(qū)域坐標(biāo)系的X/Y值 |
局部坐標(biāo)系下的位置值，常用 |
|
v_Vel / v_Acc |
車(chē)輛的行進(jìn)方向的速度和加速度 |
即運(yùn)動(dòng)方向的速度及加速度 |
|
Lane_ID |
車(chē)輛所在的車(chē)道編號(hào) |
見(jiàn)圖2和圖3中的1，2，3等 |
|
O_Zone |
駛?cè)胙芯繀^(qū)域的路口，編號(hào)從101到111。 |
表明車(chē)輛是從哪個(gè)路口駛?cè)脒@片區(qū)域的 |
|
D_Zone |
駛離研究區(qū)域的路口，編號(hào)從201到211。 |
表明車(chē)輛是從哪個(gè)路口駛離這片區(qū)域的 |
|
Int_ID |
路口編號(hào) |
共四個(gè)，由南向北序號(hào)遞增 |
數(shù)據(jù)集使用示例
假設(shè)我們需要研究車(chē)輛通過(guò)路口可能的運(yùn)動(dòng)模式(motion pattern), 那么首先需要對(duì)原始的數(shù)據(jù)根據(jù)不同的運(yùn)動(dòng)模式進(jìn)行分類(lèi)。未分類(lèi)前，將所有通過(guò)該路口的車(chē)輛軌跡全部顯示出來(lái)，如圖4所示。
圖4
結(jié)合實(shí)際場(chǎng)景和生活常識(shí)，考慮車(chē)輛可能行進(jìn)的方向，可將上圖中的軌跡分類(lèi)成8類(lèi)運(yùn)動(dòng)模式。然后使用一些聚類(lèi)算法，如K-MEANS等，可以對(duì)這些軌跡進(jìn)行分類(lèi)，為后面的模型訓(xùn)練做數(shù)據(jù)準(zhǔn)備。圖5展示了使用K-MEANS對(duì)原始軌跡進(jìn)行分類(lèi)后的結(jié)果，不同的顏色代表不同的運(yùn)動(dòng)模式。
圖5
得到根據(jù)運(yùn)動(dòng)模式而分類(lèi)的數(shù)據(jù)后，可以用這些分類(lèi)好的數(shù)據(jù)分別建立模型，調(diào)試軌跡預(yù)測(cè)，規(guī)劃等算法。
數(shù)據(jù)集可直接在其網(wǎng)站首頁(yè)下載,也可在線導(dǎo)出csv格式文件。4個(gè)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(chē)流分析報(bào)告等文件，下圖6紅框內(nèi)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
