一种面向轨迹数据集的自动化分析框架

近年来，道路使用者的轨迹数据集对于高度自动化车辆的安全性验证变得愈发重要。多个各含逾10,000条轨迹的自然驾驶轨迹数据集已发布，更多数据集将接踵而至。考虑到如此庞大的数据量，有必要能够轻松深入地比较这些数据集以获得概览。迄今，各数据集自身提供的信息主要限于元数据与定性描述，且大多与其他数据集不一致。这不足以使用户针对特定应用选择来区分新兴数据集。因此，本文提出了一种自动化分析框架。从分析单条轨迹入手，推导并提取十四项基本特征（即所谓检测类型），作为该框架的基础。为精确描述每个交通场景，检测被细分为通用指标、聚类方法与异常检测，并采用模块化方式组合。检测被综合为新的评分，以量化描述每条轨迹数据的三个既定属性：交互性、异常性与相关性。这三个评分按不同抽象层级分层计算，从而不仅提供数据集间、也提供轨迹、空间区域及个体情境的概览。由此可实现数据集间的客观比较。此外，它有助于深入理解所记录基础设施及其对道路使用者行为的影响。为检验框架有效性，开展了一项将评分与人类感知进行比较的研究，并对若干数据集进行了比较。