highD, rounD, and inD datasets|交通研究数据集|车辆轨迹分析数据集

The toolbox has been developed for use of the highD, rounD, and inD datasets. The datasets contain recorded trajectories from different locations in Germany, including various highways, roundabouts, and intersections. Their high quality and reliability make them particularly suitable for early-stage research and development. They are freely available for non-commercial use, which is our targeted audience, but require applying for usage through the links:

highD
rounD
inD
Several datasets in the leveLXData suite were recently updated (April 2024) that include improvements to the maps, as well as the addition of some new locations. This toolbox is designed to work with the updated datasets, and we recommend using the latest versions for the most recent features to avoid having to modify the toolbox.

We found that the toolbox works with the uniD dataset with minor adjustments, but we have yet to evaluate it in detail.

We are working on adding support for the exiD dataset that we aim to include in future versions of the toolbox.

本工具箱专为highD、rounD以及inD数据集的使用而开发。该数据集包含德国不同地点的记录轨迹，涵盖各类高速公路、环岛和交叉口。其高质量的可靠性能使其特别适用于早期研究和开发阶段。这些数据集免费提供给非商业用户，即我们的目标受众，但需通过链接申请使用权限。

近期（2024年4月），leveLXData系列中的多个数据集进行了更新，包括地图的改进以及新增了一些地点。本工具箱旨在与这些更新后的数据集兼容，并强烈建议使用最新版本以获取最新功能，从而避免对工具箱进行修改。

我们发现，经过轻微调整，本工具箱可以与uniD数据集协同工作，但我们尚未对其进行详细评估。

我们正在努力为exiD数据集添加支持，并计划将其纳入工具箱的未来版本。

原始信息汇总

数据集概述

数据集名称

Dronalize

数据集用途

• 数据预处理
• 数据可视化
• 模型评估
• 数据驱动运动预测模型的开发

数据集依赖工具

• PyTorch
• PyTorch Geometric
• PyTorch Lightning

支持的数据集

• highD
• rounD
• inD

数据集来源

这些数据集来自leveLXData，包含德国不同地点（高速公路、环岛、交叉口）记录的轨迹数据。

数据集特点

• 高质量和可靠性
• 适用于早期研究和发展
• 免费提供非商业用途

数据集更新

• 最近更新（2024年4月）包括地图改进和新地点的添加。
• 推荐使用最新版本以避免修改工具箱。

数据集使用

• 数据集需要通过指定链接申请使用。
• 数据集预处理包括解压缩和放置在指定目录。
• 预处理脚本支持多线程以提高处理效率。

数据集模型

• 提供了一个基于编码器-解码器的基线神经网络模型，用于轨迹预测。
• 模型通过将场景编码为图并通过GNN处理数据来学习道路用户之间的交互。

数据集评估

• 包括多种评估指标，如最小平均位移误差（minADE）、最小最终位移误差（minFDE）等。
• 支持单模态和多模态预测评估。

数据集安装

• 推荐使用容器（Apptainer或Docker）进行安装，以确保可重复性和跨环境一致性。
• 也支持通过conda环境进行安装。

数据集训练

• 提供训练脚本，支持GPU加速和实验跟踪（如使用wandb）。
• 训练脚本使用PyTorch Lightning，并支持自定义配置和参数。

数据集贡献

• 欢迎贡献，具体指南请参考相关文档。

数据集引用

• 使用数据集时，请参考相关论文进行引用。

数据集相关工作

• 数据集与相关研究工作紧密相关，具体内容请参考相关文献。

AI搜集汇总

数据集介绍

构建方式

该数据集通过整合多个无人机数据集，包括highD、rounD、inD等，构建了一个综合性的无人机行为预测数据集。这些数据集分别记录了德国和中国不同地点的高速公路、环岛和交叉口的轨迹数据。数据集的构建过程中，采用了先进的预处理技术，确保数据的准确性和一致性。通过详细的配置文件和脚本，数据集的预处理过程被标准化，从而保证了不同研究之间的可比性。

特点

该数据集的特点在于其多样性和高质量。它包含了来自不同地理和交通环境的轨迹数据，涵盖了高速公路、环岛和交叉口等多种场景。此外，数据集的结构设计考虑了多模态预测的需求，支持单模态和多模态预测的评估。数据集还提供了丰富的元数据和标注信息，便于研究人员进行深入分析和模型训练。

使用方法

使用该数据集时，用户可以通过提供的预处理脚本对原始数据进行处理，生成适合模型训练的格式。数据集支持多种安装和运行方式，包括Docker、Apptainer和Conda环境，用户可以根据自己的需求选择合适的安装方式。在模型训练阶段，用户可以使用提供的训练脚本和配置文件，结合PyTorch和PyTorch Lightning框架进行模型训练和评估。数据集还提供了详细的文档和示例代码，帮助用户快速上手。

背景与挑战

背景概述

在无人机行为预测研究领域，highD、rounD和inD数据集的创建标志着对复杂交通场景理解的重要进展。这些数据集由德国和中国的多个研究机构合作开发，旨在解决无人机在不同交通环境中的行为预测问题。自创建以来，这些数据集已成为该领域研究的基础，为研究人员提供了丰富的交通场景数据，从而推动了无人机行为预测模型的开发和验证。这些数据集的高质量和多样性使其在无人机行为预测研究中具有广泛的应用前景。

当前挑战

尽管highD、rounD和inD数据集在无人机行为预测研究中具有重要价值，但其构建和应用过程中仍面临诸多挑战。首先，数据集的多样性和复杂性要求高效的预处理和数据管理工具，以确保数据的准确性和一致性。其次，不同数据集之间的结构差异增加了模型训练和评估的复杂性，需要开发通用的数据处理和模型训练框架。此外，数据集的规模和计算资源的限制也对模型的训练和验证提出了挑战，需要高效的计算和存储解决方案。最后，数据集的开放性和使用限制也影响了其广泛应用，需要进一步的开放和标准化工作。

常用场景

经典使用场景

在无人机行为预测研究领域，highD、rounD和inD数据集的经典使用场景主要集中在轨迹预测模型的开发与评估上。这些数据集提供了丰富的无人机飞行轨迹数据，研究人员可以利用这些数据进行数据预处理、可视化和模型训练。通过构建基于PyTorch的深度学习模型，研究人员能够有效地预测无人机的未来运动轨迹，从而提升无人机在复杂环境中的自主导航能力。

衍生相关工作

基于这些数据集，研究人员开发了多种先进的轨迹预测模型和算法，如基于图神经网络（GNN）的交互模型和多模态预测方法。这些工作不仅提升了无人机的行为预测能力，还推动了相关领域的技术进步。例如，一些研究工作利用这些数据集开发了新的评估指标，如最小平均位移误差（minADE）和最小最终位移误差（minFDE），这些指标为无人机轨迹预测的评估提供了标准化的方法。

数据集最近研究

最新研究方向

在无人机行为预测领域，highD、rounD和inD数据集的最新研究方向主要集中在利用深度学习和图神经网络（GNN）进行数据驱动的运动预测。这些数据集的高质量轨迹记录为研究人员提供了丰富的数据资源，使得开发更精确的预测模型成为可能。前沿研究不仅关注模型的准确性，还强调模型的可解释性和实时性，以满足实际应用的需求。此外，随着自动驾驶和无人机技术的快速发展，这些数据集的研究成果对于提升交通安全和效率具有重要意义。