从自然驾驶日志数据直接提取交通基元用于自动驾驶应用

开发能够处理复杂驾驶场景并与其他道路使用者恰当交互的自动驾驶车辆，需要能够基于海量自然驾驶数据的分析来语义化学习和理解驾驶环境。一种使自动驾驶车辆既能从人类驾驶员学习又能获得洞察的重要范式是理解整体交通的主要构成，称为交通基元。然而，数据量的爆炸式增长给从高维时间序列交通数据（涉及各类道路使用者）中提取基元带来了巨大挑战。因此，自动提取基元正成为帮助自动驾驶车辆理解和预测复杂交通场景的高性价比方法之一。此外，从原始数据中提取的基元应1）适用于自动驾驶应用，且2）易于用于生成新的交通场景。然而，现有文献未提供从大规模交通数据自动学习这些基元的方法。本文的贡献有两个方面。其一是我们提出了一种从少量有限交通数据生成新交通场景的框架。其二是我们引入了一种非参数贝叶斯学习方法——粘性分层狄利克雷过程隐马尔可夫模型——以在无需基元设置先验知识的情况下从多维交通数据自动提取基元。所开发方法随后使用一天的自然驾驶数据进行了验证。实验结果表明，该非参数贝叶斯学习方法能够从二元与连续事件共存的交通场景中提取基元。