【自动驾驶】【车辆轨迹与驾驶行为分析】【汇入行为】

B站搜索“轨迹说”，有相应的汇入行为挖掘教程视频
个人网址：www.vehicletrajectorymining.com

1. 文章引用

有关汇入行为的分析，基本都能在如下这篇文章中找到，相应的Python源代码也公开在Github上，感兴趣的小伙伴可以自行去下载。

@article{
    Yang Li, 2023
    "https://arxiv.org/abs/2303.11531"
    title={A reproducible approach to merging behavior analysis based on High Definition Map}, 
    author={Yang Li and Yang Liu and Daiheng Ni and Ang Ji and Linbo Li and Yajie Zou},
    year={2023},
    eprint={2303.11531},
    archivePrefix={arXiv},
    primaryClass={cs.RO}
}

2. 代码项目框架

整个项目由Python编写，大致的目录如下所示：

A reproducible approach to merging behavior analysis based on High Definition Map/
|__ asset: analysis results
|    |__ acceptedGaps
|    |__ backgroundPicture
|    |__ consecutiveLaneChange
|    |__ JSDivergence
|    |__ preliminaryAnalysis
|    |__ safetyAnalysis
|    |__ table
|    |__ trafficFlowSpeed
|__ conf: experiment configurations
|    |__ lanelet2map
|__ drone-dataset-tools-master: dataset
|__ src: merging trajectories extraction, indicators calculation, results visulization
|    |__ extraction
|    |__ figure
|    |    |__accepetedGapAnalysis
|    |    |__consecutiveLanechangeAnalysis
|    |    |__preliminaryAnalysis
|    |    |__safetyAnalysis
|    |    |__similarityAnalysis
|    |    |__trafficFlowSpeedDensity
|    |__ table
|__ utils: utility functions
|__ requirements.txt: required packages

3. 分析内容

3.1 汇入区域的lanelet2高精地图的应用

以下是exiD数据集汇入地点2的高精地图示例，我们可以拿一辆车的轨迹举个例子：

• 位置B：车辆由on-ramp驶进加速车道；
• 位置D：车辆左侧的车道线，由实线变为虚线，车辆此后可以进行汇入；
• 位置F：车辆的中心点压在虚线初，此时车辆半身已进入主线车道；

按照交通法规，车辆应该区域2和区域3汇入主线，但其实还有很多车辆由区域1汇入主线（压着实线）。上面的三个关键点位，我们可以根据车辆每一帧的laneletID来识别，从而统一标准。倘若我们不结合高精地图，仅仅只依靠轨迹数据来判别这三个点位还是挺难实现的。

3.2 指标构建

我们可以基于上述三个点位定义一些标准化的指标，我这边提及的是“标准化”这个词，因为只有在这些点位统一的基础上所构建的各种指标，才更能客观地横向或者是纵向进行对比分析。我们可以定义如下指标：

微观指标包含：

1. 汇入速度：平均或者是某一帧；
2. 汇入时长：位置D到位置F，或者位置D到位置F；
3. 汇入距离：位置D到位置F，或者位置D到位置F；
4. 汇入距离比：汇入距离除以加速车道总长度；
5. 汇入纵向轨迹：可以根据高精地图中的lateralcenteroffset字段求得；
6. 汇入纵向速度：可以根据高精地图中的lateralcenteroffset字段求得（拟合，再求导）；
7. 汇入纵向加速度：可以根据高精地图中的lateralcenteroffset字段求得（拟合，再求导）；；
8. 汇入安全性：衡量某一帧，还是衡量一个duration，比如有：TTC, TET, TIT, DRAC, PET等指标。

宏观指标包含：

 1. 交通流量；
 2. 交通密度；
 3. 空均车速；

3.3 周边车辆匹配

在exiD数据集中，各车每一帧都会至多包含八辆车，主要就是前车，后车以及并行车辆：

 1. lead vehicle
 2. left lead vehicle
 3. right lead vehicle
 4. rear vehicle
 5. left rear vehicle
 6. right rear vehicle
 7. leftalongside vehicle
 8. rightalongside vehicle

3.4 场景细分

在一整个汇入过程中，汇入车辆可能同时存在着前后车，也有可能只存在前车，也有可能只存在后车，也有可能原本在位置D的后车变为了在位置F的前车，因而，我们大致可以讲汇入场景细分为8种。

1. 我们这样的划分是否合理？现有的研究是否有考虑这样的划分？
2. 不同场景下的各种指标是否存在显著差异？如何去衡量？
3. 哪种场景更可能伴随着高风险呢？
4. 后续怎么去细化？
   
   针对每一个微观或者是宏观的指标，都可以进行深入地分析，感兴趣的小伙伴可以开辟不同的分支开发。

3.5 一些结果

这里放几张原图，感兴趣的小伙伴可以去看原文。

• 我们将某个地点中不同类型车辆在位置F处的位置，撒到汇入区域的地图上可以获得下图：
  

• 随机挑选的八条汇入轨迹，其所对应的lanelet2高精地图的latcenteroffset的变化值，跳变的时刻也就是位置F处：
  

• 不同地点，不同类型车辆的汇入速度，距离，距离比，时长，纵向最大速度，纵向最大加速度的Boxplot图。

• 不同地点，不同距离阈值，不同汇入模式下，汇入距离变量的JS散度值热力图。
  

4. 小结

撰写文章属实不易，麻烦大家多多点赞收藏。

感兴趣的小伙伴，可以去阅读原文，这篇博客算是一个引子吧，供大家参考。

原文传递，https://arxiv.org/abs/2303.11531
B站搜索“轨迹说”，有相应的汇入行为挖掘教程视频
个人网址：www.vehicletrajectorymining.com

有任何问题，欢迎私信。