一种从空中角度测量车辆数据的新方法

对于高度自动化的交通工具来说，基于场景的安全验证在学界和业界都受到广泛的重视。但这一任务却极为依赖于真实场景的数据来获取用于测试的必要场景信息。质量足够好的数据集中应该包含道路使用者的自然行为以及与所识别的场景的描述相关的所有数据。然而，目前的测量方法并不能满足要求。

德国亚琛工业大学汽车工程研究所新近发布的HighD数据集，提出了一种从空中角度测量车辆数据的新方法，用于满足上述要求的基于场景的验证。 此外，研究人员还提供了一个名为highD的德国高速公路的大型自然车辆轨迹数据集。他们根据数量、种类和所包含的情景来对数据集进行了评估。数据集包括来自六个地点的11.5小时测量值和110 000车辆，所测量的车辆总行驶里程为45 000 km，还包括了5600条完整的变道记录。通过使用最先进的计算机视觉算法，定位误差通常小于十厘米。 虽然数据集创立的初衷是为自动驾驶而创建的，但它也适用于许多其他任务，例如交通模式分析或驾驶员模型的参数化。

采用无人机进行道路交通情况数据集的采集已经逐步成熟。2005年首次出现使用配备有摄像模式的无人机来记录道路交通情况的设想。后来Stanford Drone Dataset发表了无人机创建的第一个实际可用的多个道路使用者的轨迹视频公共数据集。本研究使用无人机记录了德国道路上的交通情况，从而得到High D数据集。通过使用配备相机的无人机，以鸟瞰视角测量每辆车的位置和运动情况。 能够无遮挡、并可以以较高的分辨率来捕获车辆纵向和横向尺寸信息，车辆高度方面的信息不能通过俯视图直接获得，可以依照车辆的种类给出相应的预测。

为了应对描述场景所需的复杂性和所需的详细程度，highD数据集中将高速路的驾驶场景从五个水平（Level）来衡量：

L1道路信息，包括道路尺寸和平整度等

L2交通路牌等基础建设，包括路标，交通信号灯等

L3道路临时变更信息，比如说因为前方事故或者道路修理而进行的临时改道

L4可移动物体

L5环境信息

High D数据集记录在德国科隆附近的六个不同地点。 位置因车道数量和速度限制而异。 记录的数据中包括轿车和卡车。研究者们使用了最先进的计算机视觉算法从记录中提取轨迹，并且使用神经网络方法检测车辆，将其定位在每一帧中。 为了从这些检测获得平滑的轨迹，使用贝叶斯方法来平滑运动轨迹。

规模与表现

Next Generation SIMulation （NGSIM）是当今最大的自然车辆数据集轨迹，广泛用于交通流量和研究驾驶员模型。NGSIM从高层建筑捕获中，以鸟瞰的视角捕获了高速公路和城市交通道路上的车辆轨迹。 是与本研究重点的HighD数据集最相似的数据集。 因此，我们着重将NGSIM数据集与highD数据集进行比较。

在数据质量方面，NGSIM现有数据集的质量不足，通常包括非精确和误报检测两类误差。 相比之下，在HighD数据集中，超过99％的车辆被检测到并精确定位。 对于卡车车辆中心的典型误差在x和y方向上均为约10厘米，这是像素级精度。 由于在本研究中我们选用一台4K摄像机记录流量而不是几台低分辨率摄像机，因此与常规数据采集方法相比，本研究在记录区域之间的过渡处没有错误。

highD数据集相较于NGSIM数据集的数据种类也更多。 这主要是由于：数据集中记录数量较多，并且包含了一天中不同的时间段和更多的地理位置。

在针对汽车行驶轨迹的平均速度直方图中，相较于NGSIM数据集，highD数据集记录了更宽范围内的平均速度。 80公里/小时和120公里/小时的峰值是记录站点卡车和轿车的典型速度。 尽管，对于NGSIM数据集来说，其记录地点限速105公里/小时，但平均速度超过75公里/小时的轨迹完全没有，依旧证明了其在记录速度方面有所缺失。 在卡车比率随时间变化的直方图中：highD数据集中，卡车比率从0％到50％多的范围内变化，而在NGSIM数据集中它保持低于10％的占比。

在数据数量方面，下表给出了NGSIM和highD数据集中可用数据量的比较。 虽然NGSIM在两个不同的站点（每个45分钟）提供约90分钟的记录持续时间的数据，但是High D 数据集中六个不同站点收集的超过16.5小时的记录的数据。 总共记录的数据总量是NGSIM方法记录的轿车数量的十倍，卡车的70多倍。 

相信这一数据集将为无人机空中监测特别是交通监测的研究提供较好的数据资料，并将有助于无人驾驶安全验证的驾驶行为的研究工作。