NGSIM+INTERACTION datasets

NGSIM和INTERACTION数据集，用于提取典型的关键车道变换驾驶场景和生成新的对抗性车道变换场景。

The NGSIM and INTERACTION datasets are utilized to extract typical critical lane-changing driving scenarios and generate novel adversarial lane-changing scenarios.

原始信息汇总

ASG(LC): Adversarial Scenario Generation for Lane-change 数据集概述

数据集简介

• 目标：从真实轨迹数据（NGSIM+INTERACTION数据集）中提取典型的关键变道驾驶场景，并生成新的对抗性变道场景。
• 生成方法：使用GAIL（生成对抗模仿学习），包含PPO改进方法、奖励函数的创新设计、策略网络的优化。

数据集结构

• 数据集文件夹结构：

  datasets |-- Interaction | |-- INTERACTION-Dataset-TC-v1_0 | | |-- maps | | -- recorded_trackfiles | | -- DR_USA_Intersection_MA | | |-- vehicle_tracks_000.csv | | |-- ... | | -- vehicle_tracks_021.csv | |-- maps | |-- recorded_trackfiles | | |-- DR_CHN_Merging_ZS | | |-- ... | | -- TC_BGR_Intersection_VA | |-- INTERACTION-Dataset-DR-v1_1.rar | -- INTERACTION-Dataset-TC-v1_0.zip -- ngsim.csv

数据处理

1.1 数据集准备

• 将NGSIM数据集与INTERACTION数据集链接或复制到data/datasets文件夹。

1.2 场景提取

• 高速公路场景： shell cd NGSIM_env/data python3 data_process.py

• 城市交叉口场景： shell cd NGSIM_env/data python3 interaction.py

1.3 专家轨迹提取

• 高速公路场景： shell cd examples/data_process python3 naturalistic_ngsim.py

• 城市交叉口场景： shell cd examples/data_process python3 naturalistic_interaction.py

自然交通流生成

2.1 人类驾驶策略建模

• 高速公路场景： shell cd examples/av2_model_train python3 train.py --policy human_driving_policy --scenario highway --model diffusion --num-epochs 1000 --num-threads 6 --exp_name exp_1 [--resume]

• 城市交叉口场景： shell cd examples/av2_model_train python3 train.py --policy human_driving_policy --scenario intersection --model diffusion --num-epochs 1000 --num-threads 6 --exp_name exp_1 [--resume]

2.2 自然交通流生成

• 高速公路场景： shell cd examples/av2_model_test python3 test.py --policy human_driving_policy --scenario highway --model diffusion --load-model-id 400 --num-threads 6 --exp_name exp_1 --epochs 1000 [--show] [--save-video]

• 城市交叉口场景： shell cd examples/av2_model_test python3 test.py --policy human_driving_policy --scenario intersection --model diffusion --load-model-id 400 --num-threads 6 --exp_name exp_1 --epochs 1000 [--show] [--save-video]

自然对抗测试场景生成

3.1 自然对抗策略建模

• 高速公路场景： shell cd examples/av2_model_train python3 train.py --policy natural_adversarial_model --scenario highway --model ppo --num-epochs 1000 --num-threads 6 --exp_name exp_1 --supervise-model diffusion --supervise-model-id 3700 [--resume]

• 城市交叉口场景： shell cd examples/av2_model_train python3 train.py --policy natural_adversarial_model --scenario intersection --model ppo --num-epochs 1000 --num-threads 6 --exp_name exp_1 --supervise-model diffusion --supervise-model-id 4899 [--resume]

3.2 自然对抗测试场景生成

• 高速公路场景： shell cd examples/av2_model_test python3 train.py --policy natural_adversarial_model --scenario highway --model ppo --load-model-id 400 --num-threads 6 --exp_name exp_1 --supervise-model diffusion --supervise-model-id 3700 [--show] [--save-video]

• 城市交叉口场景： shell cd examples/av2_model_test python3 train.py --policy natural_adversarial_model --scenario intersection --model ppo --load-model-id 400 --num-threads 6 --exp_name exp_1 --supervise-model diffusion --supervise-model-id 3700 [--show] [--save-video]

搜集汇总

数据集介绍

构建方式

NGSIM+INTERACTION数据集是通过整合NGSIM和INTERACTION两个真实轨迹数据集构建而成，旨在提取典型的车道变换驾驶场景，进而生成新的对抗性车道变换场景。该数据集的构建涉及场景提取、专家轨迹提取以及人类驾驶策略建模等多个步骤，利用GAIL算法，并改进了PPO方法、创新设计了奖励函数以及优化了策略网络。

特点

该数据集的特点在于，它不仅包含了真实世界的高速公路和城市交叉路口的车辆轨迹数据，而且还通过先进的算法生成了对抗性驾驶场景，可用于模拟和训练自动驾驶系统在复杂交通环境中的表现。数据集的结构清晰，包含了地图信息和记录的轨迹文件，便于研究者进行场景提取和模型训练。

使用方法

使用该数据集时，首先需要准备数据集，将其放置在指定的文件夹结构中。然后可以通过执行Python脚本进行场景提取和专家轨迹提取。此外，该数据集还支持通过命令行参数配置模型训练和测试的各种参数，如模型类型、场景类型、线程数、训练轮数等，以生成自然交通流和对抗性测试场景。

背景与挑战

背景概述

NGSIM+INTERACTION数据集是一款专注于驾驶场景的轨迹数据集，旨在提取和分析现实世界中的典型车道变更驾驶场景。该数据集的创建源于对自动驾驶车辆在复杂交通环境中的行为策略进行研究的需求，由多个研究人员和机构共同开发完成。自推出以来，该数据集在自动驾驶车辆行为建模与仿真领域产生了重要影响，为研究人员提供了一种有效的工具，以理解和生成人类驾驶员的行为模式。NGSIM+INTERACTION数据集的核心研究问题是如何在高度动态的交通环境中实现安全有效的车道变更。其研究背景可追溯至自动驾驶技术的早期发展阶段，对推动该领域的技术进步具有不可或缺的作用。

当前挑战

该数据集在构建和应用过程中面临的主要挑战包括：1）如何精确提取现实世界中复杂交通场景中的关键车道变更场景；2）在生成对抗性车道变更场景时，如何有效模拟人类驾驶员的行为策略；3）构建过程中，数据集整合与处理的技术难题，包括数据清洗、格式统一和高效的数据访问方法。此外，如何在保证数据质量的同时，处理大规模数据集的计算资源需求也是一个挑战。

常用场景

经典使用场景

NGSIM+INTERACTION数据集在自动驾驶领域中被广泛用于提取和分析典型车道变更驾驶场景。通过对真实轨迹数据的深入剖析，该数据集成为生成对抗性车道变更场景的关键基础，进而推动自动驾驶系统在复杂交通环境下的决策制定能力。

实际应用

在实际应用中，NGSIM+INTERACTION数据集可用于训练自动驾驶系统，使其能够识别并应对各种复杂的车道变更场景。此外，该数据集对于交通模拟、城市规划以及交通流量的优化也具有重要作用。

衍生相关工作

基于该数据集，衍生出了多种相关研究工作，包括但不限于利用生成对抗网络（GAN）进行车道变更场景的生成，以及基于强化学习的方法来模拟人类驾驶策略和对抗性策略，这些研究进一步扩展了自动驾驶技术的应用边界。