基于多视角的高速公路车辆轨迹数据集与预测架构
计算机视觉与模式识别
2023-03-14 v1 人工智能
摘要
提供多视角（POV）的车辆轨迹数据集对各种交通安全与管理应用具有重要价值。尽管轨迹数据集丰富，但极少有数据集能提供全面且多样的驾驶场景，捕捉各类高速公路布局、合流车道与配置的多视角。这限制了它们捕捉驾驶员、车辆与道路基础设施之间细微交互的能力。我们引入了 \emph{Carolinas 高速公路数据集（CHD\footnote{\emph{CHD} 获取地址：\url{https://github.com/TeCSAR-UNCC/Carolinas\_Dataset}})}，一个车辆轨迹、检测与跟踪数据集。\emph{CHD} 是在 Carolinas 地区八个地点从眼平与高角度 POV 拍摄的高速公路视频中采集的 160 万帧集合，包含 338,000 条车辆轨迹。地点、录制时间与相机角度经过精心选择，以捕捉各种道路几何、交通模式、光照条件与驾驶行为。我们还提出 \emph{PishguVe}\footnote{\emph{PishguVe} 代码获取地址：\url{https://github.com/TeCSAR-UNCC/PishguVe}}，一种利用基于注意力的图同构与卷积神经网络的新型车辆轨迹预测架构。结果表明，\emph{PishguVe} 优于现有算法，成为鸟瞰、眼平与高角度 POV 轨迹数据集上的新最先进（SotA）方法。具体而言，在 NGSIM 数据集上，其 ADE 与 FDE 分别比当前 SotA 提升 12.50% 与 10.20%。与 CHD 上性能最优的模型相比，\emph{PishguVe} 在眼平数据上的 ADE 与 FDE 分别降低 14.58% 与 27.38%，并在高角度数据上的 ADE 与 FDE 分别提升 8.3% 与 6.9%。
引用
@article{arxiv.2303.06202,
title = {A POV-based Highway Vehicle Trajectory Dataset and Prediction Architecture},
author = {Vinit Katariya and Ghazal Alinezhad Noghre and Armin Danesh Pazho and Hamed Tabkhi},
journal= {arXiv preprint arXiv:2303.06202},
year = {2023}
}