车路协同路端系统的数据集NGSIM介绍
本文来源：智车科技
/ 导读 /
车路协同系统是基于无线通信，传感器探测等技术获取车辆和道路信息，通过车车通信（V2V），车路通信（V2I)实现信息交互和共享，从而实现车辆和路测设备之间的协调，实现优化使用道路资源，提高交通安全，缓解拥堵等目标。实现车路协同所需的硬件一般可分为车端设备和路端设备。车端设备OBU(OnBorad Unit)，主要负责与路端的通信，OBU还需要和车端的ADAS域控制器进行数据交互。路端设备RSU(RoadSide Unit)，主要负责与车端OBU通信，另外还包含摄像头，毫米波雷达，激光雷达等感知设备，及数据处理所需的高性能计算单元。路端感知所使用的技术与自动驾驶车端所使用的技术类似，如使用深度学习，点云处理，多传感器融合等技术。
NGSIM
做自动驾驶或者图像处理的小伙伴一定很熟悉KITTI数据集。KITTI数据集的数据采集平台装配有2个灰度摄像机，2个彩色摄像机，一个Velodyne 64线3D激光雷达，4个光学镜头，以及1个GPS导航系统。所有传感器的数据需要进行坐标变化，最后统一转化到车载坐标系，当然“视角”都是基于车辆的。
图1
如果做车路协同路端的研究，就必然需要路端“视角”的数据集，基于车端采集的数据集便不适用。目前来看，行业内此类公开数据集较少。笔者最近发现一个很适合做车路协同方向研究的数据集——NGSIM。
NGSIM 数据集是由研究人员通过一个叫做"Next Generation Simulation"的项目收集来的。该数据集覆盖了结构化道路的路口，高速上下闸道等车路协同研究的热点区域。该项目的研究人员对原始的视频信息做了后处理，生成了交通流中每辆车的行驶轨迹数据。数据集采集于美国的四个不同地区，分别是加州南向的US 101号公路，加州洛杉矶的Lankershim Boulevard地图, 加州埃默里维尔的东向的 I-80号公路，以及佐治亚州亚特拉大的Peachtree Street，下面介绍其中的两个区域，这两个区域也是车路协同中经常研究的场景。
路口通行场景
图2
图2是Lankershim Boulevard地区的道路地图。该区域道路长约1600英尺（约487.7米），包含4个带有交通信号灯的路口，每个方向的道路包含3或者4条车道。摄像头采集到的原始视频数据时常约9个小时，分为早晚两个高峰录制。数据收集系统对视频中的车辆进行了感知和跟踪，如果跟踪精度和准度符合预期，则直接生成车辆运动轨迹点，并保存到数据库，否则需要进行人工修正之后再次保存。区域内车辆的轨迹点的保存周期为100ms(10Hz)。
为方便分类及过滤轨迹数据，需要对车辆的运动轨迹与道路的相对关系进行描述。下面定义了这些描述的关键词，使用这些关键词可以很方便的对每个路口，车道，区域等进行编号分类。
关键词 | 含义 |
Origin | 驶入研究区域的路口，编号从101到111。即表明车辆是从哪个路口驶入这片区域的 |
Destination | 驶离研究区域的路口，编号从201到211。即表明车辆是从哪个路口驶离这片区域的 |
Intersection | 十字路口。此片区域共包含4个路口，从南到北依次编号为1，2，3，4 |
Section | 分割区域编号。此研究区域被4个路口分割成5个小区域。 |
Lane | 道路中车道的编号。具体编号由上图所示。 |
有了上述的这些定义，可以很方便的将任意一辆驶入或者驶离该区域的车辆轨迹描述出来。
图3所示的这条公路是加州洛杉矶南北走向的交通大动脉——U.S. Highway 101。紧邻着U. S. Highway 101 和 Lankershim Boulevard交互处，有一幢36层高的建筑，Universal City Plaza, 采集数据的摄像头就安装在这幢建筑上。摄像头采集数据区域长度约为2100英尺（约640米），包含五条车道（1~5号车道）。6号车道两端连接7号和8号车道，分别为匝道汇入车道和汇出车道。同样地，车辆轨迹点的保存周期为100ms (10Hz)。
图 3
NGSIM数据集可导出为csv格式表单。该表单第一行字段含义如下表所示。需要注意的是，笔者并没有罗列全部的字段，只罗列了常用的，且不太好理解的加以解释。
字段 | 说明 | 备注 |
Vehicle_ID | 车辆编号 | 有可能会出现重复 |
Frame_ID | 数据帧号 | 与该路径点产生的时间相关 |
Total_Frame | 数据总帧 | 某辆车被跟踪的生命周期（存在长度） |
Global_Time | UTC时间 | 13位的标准UTC时间，精确到ms |
Local_X/ Local_Y | 采集区域坐标系的X/Y值 | 局部坐标系下的位置值，常用 |
v_Vel / v_Acc | 车辆的行进方向的速度和加速度 | 即运动方向的速度及加速度 |
Lane_ID | 车辆所在的车道编号 | 见图2和图3中的1，2，3等 |
O_Zone | 驶入研究区域的路口，编号从101到111。 | 表明车辆是从哪个路口驶入这片区域的 |
D_Zone | 驶离研究区域的路口，编号从201到211。 | 表明车辆是从哪个路口驶离这片区域的 |
Int_ID | 路口编号 | 共四个，由南向北序号递增 |
假设我们需要研究车辆通过路口可能的运动模式(motion pattern), 那么首先需要对原始的数据根据不同的运动模式进行分类。未分类前，将所有通过该路口的车辆轨迹全部显示出来，如图4所示。
图4
结合实际场景和生活常识，考虑车辆可能行进的方向，可将上图中的轨迹分类成8类运动模式。然后使用一些聚类算法，如K-MEANS等，可以对这些轨迹进行分类，为后面的模型训练做数据准备。图5展示了使用K-MEANS对原始轨迹进行分类后的结果，不同的颜色代表不同的运动模式。
图5
得到根据运动模式而分类的数据后，可以用这些分类好的数据分别建立模型，调试轨迹预测，规划等算法。
数据集可直接在其网站首页下载,也可在线导出csv格式文件。4个数据集除包含原始轨迹信息外，还包含数据采集区域道路信息，车流分析报告等文件，下图6红框内的压缩文件，即包含了上述的这些文件。
下载地址:
https://data.transportation.gov/Automobiles/Next-Generation-Simulation-NGSIM-Vehicle-Trajector/8ect-6jqj
图6
- End -▎最新热文
SpaceX启示录：马斯克的火箭生意经与蘑菇车联的自动驾驶商业化之路