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。