龙空技术网

|期刊分享|深度学习|TrafficNet开放自然驾驶场景库

AI4Robot 543

前言:

此时各位老铁们对“nettraffic”大概比较着重,同学们都需要知道一些“nettraffic”的相关文章。那么小编同时在网络上网罗了一些有关“nettraffic””的相关知识,希望姐妹们能喜欢,各位老铁们一起来学习一下吧!

编者序:深度学习中,数据很重要,数据很重要,数据很重要。本文提出的TrafficNet将自然驾驶场景数据集SPMD进行整理,分为6类场景,以便于算法应用与验证,降低了数据的应用难度,还是非常有意义的。上文给出了背景及总况,下文将分别介绍6种子数据集。

推荐指数☆☆☆☆

一、引言

在智能交通系统中,驾驶环境理解至关重要,要求无人车感知不同的环境,如天气、路况及其它车辆、行人与自行车。目前复杂交通场景理解主要来自于两个数据集:crash数据集和自然驾驶数据。

很多国家收集和分析了可能引起重要安全事故的场景组成Crash数据集,例如CSD和GIDAS crash数据集有助于分析场景对安全的影响。然而,由于不同事故仅有限环境信息可用,很难重建复杂真实的事故上下文。

自然驾驶数据则不仅提供了车辆动态信息,而且提供了丰富设备采集的数据,如Mobileye、雷达等,代表了真实的交通环境。此外,持久跟踪可识别导致某些关键事件的根本原因。更重要的是,随着自动驾驶功能的发展,不同传感器采集的驾驶数据正在变得越来越重要。

N-FOT数据是许多车在自然场景中长时间采集的数据,美国的一些较大规模的N_FOT项目如下表所示,如100-car、SPMD等,SPMD配置了车联网设备,大约有2800辆车和30个路边设备,数据以文本格式存储。

然而,所有交通数据是按照时间顺序组织的,需要大量的后处理以便提取用户感兴趣的有用信息,繁重的数据处理和挖掘工作吓退了一批潜在数据使用者,降低了这些费力很大劲才采集的数据的价值。此外,这些数据集包括了原始传感器数据,文件很大,对没有大数据背景的汽车工程师和研究者来说难度很大。我们认为,组织并维护良好的场景库能够增加数据可用性,并提高ITS开发效率。

TrafficNet驾驶场景网络库降低了使用这些数据库的难度,目前使用的数据是SPMD。我们将增加别的场景和数据库,并且通过手工或自动提高数据标注精度,我们开源了代码和数据集。

二、TrafficNet构成

目前,我们构建了6个主要驾驶场景,使用关系型数据库存储和组织数据集,原始数据包含了5种不同类型的事件:

(1)前方目标:mobileye视觉ADAS输出的数据元素,包括目标位置、速度和车前障碍物。(2)车道线:mobileye传感器采集的车道线信息,包括汽车相对车道边界的位置。(3)无线安全单元数据:WSU、GPS等CAN总线数据。(4)旅程总结数据:包括行驶距离、刹车次数、速度超过25mph的长度等。(5)雷达数据:包括车前目标类型、速度和相对位置。

如下图所示,数十Gb的时序数据存储在后端数据库,TrafficNet提取6种不同场景构建数据库。包括自动巡航、跟车、变道、超车、行人和自行车。所有数据都可以无限制下载。

英文名称:TrafficNet: An Open Naturalistic Driving Scenario Library

源码:

死磕自律,遇见更好的自己;自斩双臂,方能长出强两翼。

败而不弃,潜龙勿用待时机;执着坚毅,飞升上神创奇迹!

关注该公众号,一起创造奇迹。

标签: #nettraffic