highD：德国提出从空中角度测量车辆数据的新方法（文末附多种车辆轨迹数据集）

由极市、机器之心和中科创达联合举办的“2018计算机视觉最具潜力开发者榜单”评选活动，现已接受报名，杨强教授、俞扬教授等大牛嘉宾亲自评审，高通、中科创达、微众银行等大力支持，丰厚奖励，丰富资源，千万渠道，助力您的计算机视觉工程化能力认证，提升个人价值及算法变现。极市与您一起定义自己，发现未来～点击阅读原文即可报名~

highD数据集

基于场景的安全验证对于高度自动化的交通工具来说是非常重要的，并受到了学界和业界广泛的关注。但这一任务的难点在于为获取用于测试的必要场景信息，必须依赖于真实场景的数据。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。

近日，德国亚琛工业大学汽车工程研究所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。同时研究人员提供了一个德国高速公路的大型自然车辆轨迹数据集——highD。这个包含了来自6个地点、11.5小时测量值、110 000车辆的数据集，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。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。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。 

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。

highD数据集中将高速路的驾驶场景从5个水平来衡量以应对描述场景所需的复杂性和详细程度：

1.道路信息，包括道路尺寸和平整度等

2.交通路牌等基础建设，包括路标，交通信号灯等

3.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

4.可移动物体

5.环境信息

 

我们将highD数据集与当今最大的自然车辆数据集NGSIM进行比较。后者从高层建筑捕获中，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。

在数据数量方面，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。

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。

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。

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。

项目的官网：

www.highddataset.com

同时github上提供了matlab和Python的源代码来处理数据：

https://github.com/RobertKrajewski/highD-dataset

论文分析：

https://arxiv.org/ftp/arxiv/papers/1810/1810.05642.pdf

其他车辆运动轨迹数据集

一、SanFrancisco Bay Area

1.数据集包括500辆出租车近30天的（2008年5月17日-6月10日）行驶数据

2.车辆行驶数据的采样时间间隔1min

3.车辆轨迹数据包含：车辆ID-经纬度（位置）-是否载客-时间

4.无瞬时速度

下载链接：

https://crawdad.org//epfl/mobility/20090224/

二、Shanghai

1.数据集包括4千辆出租车24个小时（07年2月20日）的行驶数据

2.车辆行驶数据的采样时间间隔为1min

3.车辆轨迹数据包含：车辆ID-Time-经纬度-速度-是否载客

下载链接：

https://www.cse.ust.hk/scrg/

三、Roma

1.数据集包括320辆出租车在罗马市区一个月（14年2月1日-3月2日）的行驶数据

2.车辆行驶数据采样时间间隔为7s

3.车辆轨迹数据包含：车辆ID-时间-经纬度

下载链接：

https://crawdad.org//roma/taxi/20140717/

四、France

1.数据集为法国克雷泰伊的一个环形道路上早上两小时（7.00-9.00）和晚上两小时（17.00-19.00）的车辆行驶数据

2.数据采样时间间隔为1s

3.车辆轨迹数据包含：车辆ID-时间-车辆类型-坐标-车辆速度

下载链接：

https://vehicular-mobility-trace.github.io/

五、Italy,Bologna

1.数据集为意大利博洛尼亚地区某个工作日早上8.00-9.00超过22000辆车的车辆行驶数据

2.数据采样时间间隔为1s

3.车辆轨迹数据包括：时间-车辆ID-经纬度-速度

下载链接：

 http://www.cs.unibo.it/projects/bolognaringway/

六、Spain,Madrid

1.数据集为西班牙马德里附近的两条高速公路（A6和M40）上一个工作日的上午8.30-9.00和11.30-12.00的车辆行驶数据

2.数据集中每辆车每经过500米会有一条数据记录

下载链接：

http://www.it.uc3m.es/madrid-traces/

七、California

1.数据集为加利福尼亚两条高速公路上不同交通密度的车辆行驶数据

2.数据采样时间间隔为1s

3.车辆轨迹数据包含：时间-车辆ID-经纬度-速度

下载链接：

http://cs-people.bu.edu/nabeel/VANETs_Mobility_Dataset/

八、Luxembourg

1.数据集为卢森堡2200平方公里地区某个工作日11小时的车辆行驶数据

2.数据采样时间间隔为1s

3.车辆轨迹数据包含：时间-车辆ID-经纬度-速度

下载链接：

http://www.vehicularlab.uni.lu/lust-scenario/

九、Germany,Cologne

1.数据集为德国科隆400平方公里地区某个工作日上午6.00-8.00的车辆行驶数据

2.数据采样时间间隔为1s

3.车辆轨迹数据包含：时间-车辆ID-经纬度-速度

下载链接：

http://kolntrace.project.citi-lab.fr/

参考来源

1.来源：将门创投 

编译：Yulei

https://mp.weixin.qq.com/s/bEgAMFgEyizl9pRutTWwXQ

2.来源：CSDN

作者：souvenir001 

https://blog.csdn.net/souvenir001/article/details/52180335

*推荐阅读*

预训练模型迁移学习

一种轻量级在线多目标车辆跟踪方法

极市干货|袁源-机器学习及深度学习在自动驾驶中的应用

---

杨强教授、俞扬教授等大牛嘉宾评审团，万元大奖，丰富资源，助力您的计算机视觉工程化能力认证，点击阅读原文即可报名“2018计算机视觉最具潜力开发者榜单”~