摘要

自動駕駛車輛在交通運輸領(lǐng)域展現(xiàn)出巨大潛力，而理解其縱向駕駛行為是實現(xiàn)安全高效自動駕駛的關(guān)鍵?，F(xiàn)有的開源AV軌跡數(shù)據(jù)集在數(shù)據(jù)精煉、可靠性和完整性方面存在不足，從而限制了有效的性能度量分析和模型開發(fā)。

本研究針對這些挑戰(zhàn)，構(gòu)建了一個（Ultra-AV），用于分析自動駕駛汽車的微觀縱向駕駛行為。該數(shù)據(jù)集整合了來自14 個的數(shù)據(jù)，涵蓋多種自動駕駛汽車類型、測試場景和實驗環(huán)境。我們提出了一種數(shù)據(jù)處理框架，以獲得高質(zhì)量的縱向軌跡數(shù)據(jù)和跟馳軌跡數(shù)據(jù)。最后，本研究通過對安全性、通行效率、穩(wěn)定性和可持續(xù)性等多個性能維度的評估，以及對跟馳模型變量之間關(guān)系的分析，驗證了數(shù)據(jù)的有效性。我們的工作不僅為研究人員提供了標準化的數(shù)據(jù)和指標，用于分析自動駕駛汽車的縱向行為，還為數(shù)據(jù)采集和模型開發(fā)提供了指導方法**。

介紹

理解自動駕駛汽車的縱向駕駛行為對于確保其安全性和優(yōu)化交通流至關(guān)重要。然而，現(xiàn)有的開源自動駕駛汽車軌跡數(shù)據(jù)集缺乏精細的數(shù)據(jù)清理和標準化，導致：

• 數(shù)據(jù)質(zhì)量不均，影響模型開發(fā)和性能評估。
• 缺乏完整性和可靠性，難以進行跨數(shù)據(jù)集研究。
• 分析效率低，影響AV安全測試和仿真研究。

本研究提出了一種統(tǒng)一的自動駕駛汽車縱向軌跡數(shù)據(jù)集（Ultra-AV），有以下特點：

• 大規(guī)模數(shù)據(jù)集： 數(shù)據(jù)總量 2.6GB，涵蓋 14 個不同的自動駕駛數(shù)據(jù)源，涉及 30 多種測試和實驗場景，包含 超過 1000 萬個數(shù)據(jù)點，相當于 280 小時以上的行駛數(shù)據(jù)。
• 標準化數(shù)據(jù)格式： 統(tǒng)一不同數(shù)據(jù)源的數(shù)據(jù)格式，使其適用于跨數(shù)據(jù)集研究。
• 數(shù)據(jù)處理框架： 提供一種高效的數(shù)據(jù)處理方法，提高數(shù)據(jù)的可用性，支持自動駕駛仿真測試和行為建模。

方法

如圖所示，我們的統(tǒng)一數(shù)據(jù)集涵蓋了14個不同來源的數(shù)據(jù)集。這些數(shù)據(jù)集收集自美國和歐洲的多個城市，確保了所選城市的多樣性和代表性，使研究具備更廣泛的適用性。

此外，大多數(shù)被整合的數(shù)據(jù)集都包含自動駕駛汽車的長時間軌跡，這些數(shù)據(jù)廣泛應(yīng)用于自動駕駛行為分析。然而，一些特定數(shù)據(jù)集，如 Waymo Open Dataset中的 Waymo Motion Dataset 和Argoverse 2 Motion Forecasting Dataset，其軌跡時間較短，分別為9.1 秒和11 秒（采樣頻率為 10Hz）。這些數(shù)據(jù)集主要用于Motion Forecasting領(lǐng)域的研究，盡管軌跡較短，但其采集地點通常位于復(fù)雜交通環(huán)境中的市區(qū)，能夠提供在復(fù)雜場景下分析自動駕駛行為的機會。因此，本研究特別包含了對這兩個數(shù)據(jù)集的分析，以確保數(shù)據(jù)集的全面性和適用性。

本研究提出了一種數(shù)據(jù)處理框架，用于標準化并清理自動駕駛汽車軌跡數(shù)據(jù)。該框架包含以下三步。

Step 1: 軌跡數(shù)據(jù)提取
從多個AV數(shù)據(jù)集中提取統(tǒng)一格式的縱向軌跡數(shù)據(jù)，包括汽車位置、速度、車頭時距等關(guān)鍵變量。關(guān)鍵變量如下：

針對處理過后的數(shù)據(jù)，我們通過三個方面對數(shù)據(jù)進行驗證分析。

Step 2: 通用數(shù)據(jù)清理
為了提高數(shù)據(jù)的可靠性，采用以下清理策略：

• 移除異常值： 刪除超過 均值 ± 標準差 的數(shù)據(jù)點。
• 缺失值填補： 刪除時間戳不連續(xù)的數(shù)據(jù)點，并采用線性插值補全缺失數(shù)據(jù)。
• 軌跡數(shù)據(jù)重構(gòu)： 重新整理數(shù)據(jù)結(jié)構(gòu)，確保數(shù)據(jù)的可解釋性。

Step 3: 數(shù)據(jù)特定清理
針對車隊跟馳場景，設(shè)定閾值去除異常數(shù)據(jù)，以提高分析準確性。下圖展示了處理后的數(shù)據(jù)分布。其中分別代表車頭間距，車速，車速差，和加速度。

數(shù)據(jù)采集

結(jié)合作者所在課題組的數(shù)據(jù)方案和文獻，我們認為目前自動駕駛汽車的數(shù)據(jù)采集通常來自多種高精度傳感器的數(shù)據(jù)整合，包括LiDAR（激光雷達），*GPS（全球定位系統(tǒng)），DSRC（車載通信單元），高清攝像頭等。圖中顯示了作者課題組基于Lincoln MKZ的自動駕駛汽車測試平臺。

關(guān)鍵性能指標

為評估自動駕駛汽車的性能，我們采用以下性能指標：

• 安全性指標： Time-to-Collision （）。
• 穩(wěn)定性指標： 加速度變化率（）。
• 可持續(xù)性指標： 燃油消耗（）。
• 通行效率指標： 車頭時距（）。

分析結(jié)果如圖所示。

跟馳模型開發(fā)

最后，為了分析自動駕駛汽車的縱向行為，本研究探討了加速度與輸入變量（車頭間距、車速和車速差）之間的關(guān)系。下圖繪制了這些變量之間的散點圖，其中y軸是加速度，綠/黃/橙色圖片的橫軸分別代表車頭間距，車速，以及車速差?？梢钥闯?，車頭間距和車速差對加速度的影響顯著，而加速度與車速之間無明顯線性關(guān)系。其中，加速度與車頭間距呈非線性正相關(guān)，與車速差呈線性負相關(guān)。

結(jié)論

本研究回顧了多個自動駕駛軌跡數(shù)據(jù)集，并開發(fā)了統(tǒng)一自動駕駛縱向軌跡數(shù)據(jù)集，主要貢獻包括：

1. 標準化縱向軌跡數(shù)據(jù)集 - 統(tǒng)一并清理不同數(shù)據(jù)源的數(shù)據(jù)，提高數(shù)據(jù)可用性。
2. 高質(zhì)量的跟馳數(shù)據(jù)集 - 通過去噪和數(shù)據(jù)清理，保證數(shù)據(jù)分析的準確性。
3. 跟馳行為分析 - 研究加速度與輸入變量之間的非線性關(guān)系。

本文的連接和相關(guān)代碼、數(shù)據(jù)可以在以下鏈接里找到：

1. Ultra-AV 數(shù)據(jù)集論文 - Scientific Data
2. GitHub 代碼倉庫 - Ultra-AV Dataset