B站搜索“轨迹说”，有相应的汇入行为挖掘教程视频
个人网址：www.vehicletrajectorymining.com

1. 为何要研究汇入行为

大家都知道近几年自动驾驶技术比较火热。L2级车辆的商业化量产，以及L4/L5级高级技术的即将实施，自动驾驶技术在现实世界道路上的应用正面临着前所未有的挑战。这些挑战大多来自于与附近的车辆、脆弱的道路使用者、静态物理障碍物和动态物理障碍物进行的交互。

大家可以去DMA（Department of Motor Vehicles）官网上，去下载每年AV在加州路测报告的，2021年共有117起车祸，其中相当一部分是由于AV从当前车道向其他车道移动的交互行为造成的。

其中，最为关键的一个驾驶场景就是汇入场景，这是因为AV需要在汇入过程中需要与周边车辆进行不断的交互。因而，如何使得AV在汇入过程中，至少不发生碰撞，同时也要兼顾效率，舒适，能耗，安全等等，是目前比较热门的一个研究方向。以上说了这么多，我们可以举几点来说明挖掘汇入行为后的应用：

基于数据驱动的各种算法：做过这一数据驱动这一类研究的小伙伴应该清楚，在训练网络前，需要尽可能把数据集吃透吃细，才可能使得模型有更好的效果，涉及到的有针对汇入行为的轨迹预测模型，针对汇入轨迹的聚类算法，当然还有很对面向汇入的规控算法等等等等。
自动驾驶仿真测试：通过对于实际的汇入轨迹集挖掘，可以指导仿真测试中用例集的构建，比如更合理地泛化各汇入场景的参数，使得我们可以加速仿真测试，提高仿真测试的效率；通过真实轨迹也可以帮助我们去识别一些corner case，更有助于提高AV覆盖corner case的能力；
ADAS软件：分析研究car、truck、van间的汇入行为差异；不同驾驶员（男女，岁数，激进，保守等等）；不同天气；工作日非工作日；早高峰晚高峰平峰等等，分析出来的结果有助于指导ADAS软件，比如ACC，LKA中一些参数的设置等等。
交通仿真软件：可以指导交通微观仿真软件，比如SUMO, VISSIM软件中，对于底层参数的调整，比如标定跟驰模型参数后，再修改原本的默认参数等等等。

以上只是罗列了几点，还有很多可以应用的地方。

2. 针对汇入行为的车辆轨迹集介绍

现有快速路公开的车辆轨迹主要有如下几个，最常被分析的是NGSIM和HighD轨迹集。当然也有学者自己去采集汇入区域的轨迹，但出于项目或是个人原因，这些私人的数据集并没有公开出来。exiD数据集采集于2021年，也是HighD和InD那个团队所贡献的，其提供了7个汇入区域的轨迹，该数据集还首次提供了Opendrive与lanelet2两种格式的高精度地图。

相比于现有的几个轨迹，exiD数据集主要的优点可以归纳为如下几点，因而其可能更适用于汇入行为挖掘（Merging behavior analysis）：

数据集更新，其采集2021年，文章于2022年发表在IEEE-IV会议上；
专门针对汇入行为而采集的轨迹，其提供单次汇入、多次汇入（location0）、汇出、以及交织（location1）等行为；HighD, NGSIM数据集更多的是针对快速路主线的跟驰与换道行为；
首次提供了汇入区域的Opendrive与lanelet2高精地图，这是现有所有轨迹集所未曾提供过的；这可能能帮助我们更深入地理解汇入行为；
对于汇入区域的采集时长要远远高于NGSIM，HighD（更多是主线），INTERACTION数据集，共计有69172辆；Automatum虽然提供了30小时，但其采集的场景是主线和汇出；
其采集的position error要小于10cm；
其同时提供了car, truck, van三种不类型的车辆。

感兴趣的小伙伴，可以去阅读这篇文章“The exiD Dataset: A Real-World Trajectory Dataset of Highly Interactive Highway Scenarios in Germany”

3. exiD数据集介绍

以下为该数据集官网与数据集字段说明的链接：
https://www.exid-dataset.com/
https://www.exid-dataset.com/format
下图为七个汇入地点的无人机俯拍图：

location 0: 辅道车辆会有连续两次的汇入行为；
location 1: 同时存在汇入汇出（交织）的情形；
location 2: 正常单次汇入；
location 3: 正常单次汇入；
location 4: 未拍摄到加速车道末尾；
location 5: 正常单次汇入；
location 6: 正常单次汇入；

4. 使用申请

和highD/ inD数据集一样，需要在exiD数据集官网填写如下信息，才能使用该数据集，需要注意如下几点：

需要挂梯子；
yourself, position, research plan, what exactly you would
like to use the exiD dataset for，这几点需要详细说明；
审核需要一段时间；

5. 字段说明

每个recording下包含如下四个文件：

背景图片
recordingMeta.csv
tracksMeta.csv
tracks.csv

七个地点对用的recording如下所示：

location 0: recording 0 ~ recording 18;
location 1: recording 19 ~recording 38;
location 2: recording 39 ~ recording 52;
location 3: recording 53 ~ recording 60;
location 4: recording 61 ~ recording72;
location 5: recording 73 ~ recording 77;
location 6: recording 78 ~ recording 92;

XX_background.png

在Maps文件夹下有: Lanelet2 maps (.osm) 和OpenDrive maps(.xodr)
Lanelet2高精地图可以通过josm软件打开；
OpenDrive 高精地图可以通过 "https://odrviewer.io/"打开

XX_recordingMeta.csv

recordingMeta.csv字段信息如下所示：

speedLimit：限速；
duration：当前这个recording记录的时长；
numTracks：记录了多少个物体；
numVehicles：记录了多少车；
xUtmOrigin, yUtmOrigin：加上xCenter ，yCenter 可以获得全局的位置；
orthoPxToMeter: 可视化过程中的一个参数

XX_tracksMeta.csv

tracksMeta.csv字段信息如下所示：

recordingId：当前的record；
trackId：车辆的id
width, length：车辆的长度与宽度；
class：车辆的类型；

XX_tracks.csv

traveledDistance ：行驶的距离；
latLaneCenterOffset 、laneWidth 、laneletId 、laneChange 、lonLaneletPos 、laneletLength：lanelet2高精地图的字段；
leadId 、rearId 、leftLeadId 、leftAlongsideId、leftRearId 、rightLeadId 、rightAlongsideId、rightRearId ：周围车辆的ID;
odrRoadId、odrSectionNo 、odrLaneId ：opendrive高精地图的字段；
xVelocity、yVelocity、lonVelocity、latVelocity：车辆的速度；

6. 周边车辆匹配

在tracks文件中，每一辆车的每一帧都会匹配周边车辆（前车、后车、并行车），每一帧最多存在八辆周边车辆。

B站搜索“轨迹说”，有系统的汇入行为挖掘教学视频
个人网址：www.vehicletrajectorymining.com

车辆轨迹数据集之 “exiD数据集”相关推荐

python车辆轨迹分析_Ngsim数据集分析与python处理,NGSIM,解析,及
简介 NGSIM(Next Generation Simulation)数据集是美国FHWA搜集的美国高速公路行车数据,它包括了US101.I-80等道路上的所有车辆在一个时间段的车辆行驶状况.数据 ...
【数据集】开源车辆轨迹数据集详细汇总
1. NGSIM数据集 NGSIM 的全称为 Next Generation Simulation,是由美国联邦公路局发起的一项数据采集项目,被交通界学者广泛用于车辆跟驰换道等驾驶行为研究,交通流分析 ...
基于python的车辆轨迹研究_highD：德国提出从空中角度测量车辆数据的新方法（文末附多种车辆轨迹数据集）...
由极市.机器之心和中科创达联合举办的"2018计算机视觉最具潜力开发者榜单"评选活动,现已接受报名,杨强教授.俞扬教授等大牛嘉宾亲自评审,高通.中科创达.微众银行等大力支持,丰厚奖 ...
【车辆行人检测和跟踪数据集及代码汇总】
车辆行人检测和跟踪数据集和代码汇总 1. 车辆检测和跟踪 1.1 车辆检测数据集和训练权重 1.2 车辆跟踪 2. 行人检测和跟踪 2.1 行人检测数据集和训练权重 2.2行人多目标跟踪 3. 车辆行 ...
数据集：KITTI数据集分析
摘要:本文融合了Are we ready for Autonomous Driving? The KITTI Vision Benchmark Suite和Vision meets Robotics: ...
python画车辆轨迹图_如何利用 Python 绘制酷炫的车辆轨迹 — 速度时空图？三维数据用二维图像呈现...
说明:本文系交通攻城狮原创文章,如需转载请私信联系,侵权必究. 2020,第 30 期,编程笔记建议直接阅读精编版:如何利用 Python 绘制酷炫的车辆轨迹 - 速度时空图?三维数据用二维图像呈 ...
【数据共享】深度学习异常行为数据集—疲劳驾驶数据集—行为分析数据集
今天分享一下这几种数据集: 异常行为数据集疲劳驾驶数据集行为分析数据集文章目录行为分析数据集: 疲劳驾驶数据集异常行为监控数据集三维卷积特征提取器: 100G异常行为数据集送上: 异常行为 ...
[论文阅读]用于车辆轨迹预测的卷积社交池Convolutional Social Pooling for Vehicle Trajectory Prediction
文章目录一.摘要二.介绍三.相关研究 3.1 基于机动的模型 3.2 交互感知模型 3.3 运动预测的递归网络四.问题制定 4.1 参照系 4.2 输入输出 4.3 概率运动预测 4.4 操作 ...
[自动驾驶-车辆轨迹预测] 资料准备及学习视频
关于车辆轨迹预测的学习资料因为要引入车辆预测模块来确保下游规划模块的准确性及稳定性,开始学习关于车辆轨迹预测相关的知识,部署相关的模型至实践项目中.发现网上关于车辆预测部分的资料较少,本文搜索一些资 ...

车辆轨迹数据集之 “exiD数据集”