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。
- 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?
- 不同场景下的各种指标是否存在显著差异?如何去衡量?
- 哪种场景更可能伴随着高风险呢?
- 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。