對(duì)于高度自動(dòng)化的交通工具來(lái)說(shuō)，基于場(chǎng)景的安全驗(yàn)證在學(xué)界和業(yè)界都受到廣泛的重視。但這一任務(wù)卻極為依賴于真實(shí)場(chǎng)景的數(shù)據(jù)來(lái)獲取用于測(cè)試的必要場(chǎng)景信息。質(zhì)量足夠好的數(shù)據(jù)集中應(yīng)該包含道路使用者的自然行為以及與所識(shí)別的場(chǎng)景的描述相關(guān)的所有數(shù)據(jù)。然而，目前的測(cè)量方法并不能滿足要求。

德國(guó)亞琛工業(yè)大學(xué)汽車工程研究所新近發(fā)布的HighD數(shù)據(jù)集，提出了一種從空中角度測(cè)量車輛數(shù)據(jù)的新方法，用于滿足上述要求的基于場(chǎng)景的驗(yàn)證。 此外，研究人員還提供了一個(gè)名為highD的德國(guó)高速公路的大型自然車輛軌跡數(shù)據(jù)集。他們根據(jù)數(shù)量、種類和所包含的情景來(lái)對(duì)數(shù)據(jù)集進(jìn)行了評(píng)估。數(shù)據(jù)集包括來(lái)自六個(gè)地點(diǎn)的11.5小時(shí)測(cè)量值和110 000車輛，所測(cè)量的車輛總行駛里程為45 000 km，還包括了5600條完整的變道記錄。通過(guò)使用最先進(jìn)的計(jì)算機(jī)視覺(jué)算法，定位誤差通常小于十厘米。 雖然數(shù)據(jù)集創(chuàng)立的初衷是為自動(dòng)駕駛而創(chuàng)建的，但它也適用于許多其他任務(wù)，例如交通模式分析或駕駛員模型的參數(shù)化。

采用無(wú)人機(jī)進(jìn)行道路交通情況數(shù)據(jù)集的采集已經(jīng)逐步成熟。2005年首次出現(xiàn)使用配備有攝像模式的無(wú)人機(jī)來(lái)記錄道路交通情況的設(shè)想。后來(lái)Stanford Drone Dataset發(fā)表了無(wú)人機(jī)創(chuàng)建的第一個(gè)實(shí)際可用的多個(gè)道路使用者的軌跡視頻公共數(shù)據(jù)集。本研究使用無(wú)人機(jī)記錄了德國(guó)道路上的交通情況，從而得到High D數(shù)據(jù)集。通過(guò)使用配備相機(jī)的無(wú)人機(jī)，以鳥(niǎo)瞰視角測(cè)量每輛車的位置和運(yùn)動(dòng)情況。 能夠無(wú)遮擋、并可以以較高的分辨率來(lái)捕獲車輛縱向和橫向尺寸信息，車輛高度方面的信息不能通過(guò)俯視圖直接獲得，可以依照車輛的種類給出相應(yīng)的預(yù)測(cè)。

為了應(yīng)對(duì)描述場(chǎng)景所需的復(fù)雜性和所需的詳細(xì)程度，highD數(shù)據(jù)集中將高速路的駕駛場(chǎng)景從五個(gè)水平（Level）來(lái)衡量：

L1道路信息，包括道路尺寸和平整度等

L2交通路牌等基礎(chǔ)建設(shè)，包括路標(biāo)，交通信號(hào)燈等

L3道路臨時(shí)變更信息，比如說(shuō)因?yàn)榍胺绞鹿驶蛘叩缆沸蘩矶M(jìn)行的臨時(shí)改道

L4可移動(dòng)物體

L5環(huán)境信息

High D數(shù)據(jù)集記錄在德國(guó)科隆附近的六個(gè)不同地點(diǎn)。 位置因車道數(shù)量和速度限制而異。 記錄的數(shù)據(jù)中包括轎車和卡車。研究者們使用了最先進(jìn)的計(jì)算機(jī)視覺(jué)算法從記錄中提取軌跡，并且使用神經(jīng)網(wǎng)絡(luò)方法檢測(cè)車輛，將其定位在每一幀中。 為了從這些檢測(cè)獲得平滑的軌跡，使用貝葉斯方法來(lái)平滑運(yùn)動(dòng)軌跡。

規(guī)模與表現(xiàn)

Next Generation SIMulation （NGSIM）是當(dāng)今最大的自然車輛數(shù)據(jù)集軌跡，廣泛用于交通流量和研究駕駛員模型。NGSIM從高層建筑捕獲中，以鳥(niǎo)瞰的視角捕獲了高速公路和城市交通道路上的車輛軌跡。 是與本研究重點(diǎn)的HighD數(shù)據(jù)集最相似的數(shù)據(jù)集。 因此，我們著重將NGSIM數(shù)據(jù)集與highD數(shù)據(jù)集進(jìn)行比較。

在數(shù)據(jù)質(zhì)量方面，NGSIM現(xiàn)有數(shù)據(jù)集的質(zhì)量不足，通常包括非精確和誤報(bào)檢測(cè)兩類誤差。 相比之下，在HighD數(shù)據(jù)集中，超過(guò)99％的車輛被檢測(cè)到并精確定位。 對(duì)于卡車車輛中心的典型誤差在x和y方向上均為約10厘米，這是像素級(jí)精度。 由于在本研究中我們選用一臺(tái)4K攝像機(jī)記錄流量而不是幾臺(tái)低分辨率攝像機(jī)，因此與常規(guī)數(shù)據(jù)采集方法相比，本研究在記錄區(qū)域之間的過(guò)渡處沒(méi)有錯(cuò)誤。

highD數(shù)據(jù)集相較于NGSIM數(shù)據(jù)集的數(shù)據(jù)種類也更多。 這主要是由于：數(shù)據(jù)集中記錄數(shù)量較多，并且包含了一天中不同的時(shí)間段和更多的地理位置。

在針對(duì)汽車行駛軌跡的平均速度直方圖中，相較于NGSIM數(shù)據(jù)集，highD數(shù)據(jù)集記錄了更寬范圍內(nèi)的平均速度。 80公里/小時(shí)和120公里/小時(shí)的峰值是記錄站點(diǎn)卡車和轎車的典型速度。 盡管，對(duì)于NGSIM數(shù)據(jù)集來(lái)說(shuō)，其記錄地點(diǎn)限速105公里/小時(shí)，但平均速度超過(guò)75公里/小時(shí)的軌跡完全沒(méi)有，依舊證明了其在記錄速度方面有所缺失。 在卡車比率隨時(shí)間變化的直方圖中：highD數(shù)據(jù)集中，卡車比率從0％到50％多的范圍內(nèi)變化，而在NGSIM數(shù)據(jù)集中它保持低于10％的占比。

在數(shù)據(jù)數(shù)量方面，下表給出了NGSIM和highD數(shù)據(jù)集中可用數(shù)據(jù)量的比較。 雖然NGSIM在兩個(gè)不同的站點(diǎn)（每個(gè)45分鐘）提供約90分鐘的記錄持續(xù)時(shí)間的數(shù)據(jù)，但是High D 數(shù)據(jù)集中六個(gè)不同站點(diǎn)收集的超過(guò)16.5小時(shí)的記錄的數(shù)據(jù)。 總共記錄的數(shù)據(jù)總量是NGSIM方法記錄的轎車數(shù)量的十倍，卡車的70多倍。

相信這一數(shù)據(jù)集將為無(wú)人機(jī)空中監(jiān)測(cè)特別是交通監(jiān)測(cè)的研究提供較好的數(shù)據(jù)資料，并將有助于無(wú)人駕駛安全驗(yàn)證的駕駛行為的研究工作。