Advertisement

车辆轨迹公开数据集NGSIM.csv

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
VEHICLE原始轨迹数据

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • US-101.csv车辆公开轨迹数据集：从NGSIM提取的数据
    优质
    US-101.csv 是一个基于NGSIM项目的开源交通数据集，记录了美国加州US-101高速公路特定路段上车辆的行驶轨迹和行为。 车辆公开轨迹数据集NGSIM中的us-101数据集适合用于研究车辆轨迹、变道行为以及跟驰行为。
  • NGSIM-I-80车辆轨迹数据集
    优质
    NGSIM-I-80车辆轨迹数据集是由美国交通部收集的关于I-80高速公路路段内车辆行为和运动的详细轨迹数据，适用于智能交通系统研究。 1. 压缩包内包含NGSIM US-101公开数据集中的车辆轨迹数据。 2. 数据集中包括下午4点到4点15分、5点到5点15分以及5点15分到5点30分三个时间段的数据。 3. 数据格式为.txt。
  • US-101公路汽车轨迹的NGSIM公开数据集
    优质
    简介：该数据集包含了美国US-101公路特定路段的车辆行驶轨迹信息，由NGSIM项目采集并公开发布，适用于交通流分析与自动驾驶研究。 压缩包内包含NGSIM US-101公开数据集中的车辆轨迹数据集。该数据集中包括三个时间段的数据：0820-0835、0805-0820 和 0750-0805。文件格式为.txt。
  • NGSIM数据集：车辆轨迹及支持数据
    优质
    NGSIM数据集提供了丰富的交通流信息，包括车辆在特定路段上的高精度轨迹数据及其他相关支持数据，是研究智能交通系统的重要资源。 国内下载存在问题，所以我直接从官网下载了文件。该文件大小为1.42G，更新时间为2020年6月23日。这是NGSIM数据集。
  • 出租车轨迹数据-数据集
    优质
    本数据集包含大量真实出租车行驶记录，详细描绘了城市内车辆移动轨迹，为交通分析与智能出行研究提供宝贵资料。 这里提供了一个准确的数据集，描述了在葡萄牙波尔图市运行的所有442辆出租车的全年轨迹（从2013年7月1日至2014年6月30日）。这些出租车通过安装在车辆中的移动数据终端与出租车调度中心相连进行操作。该数据集有助于学习地理空间分析和轨迹处理领域的基本方法。
  • 关于车辆自然驾驶轨迹数据集的简介
    优质
    本数据集包含大量真实世界的车辆自然驾驶轨迹信息，旨在为自动驾驶及交通规划研究提供宝贵的数据资源。 文章目录 NGSIM NGSIM 概览 快速路车道选择算法（FLS） Interstate 80 Freeway 数据集 Lankershim Boulevard 数据集 US highway101数据集 动态交通分配DTA、CORSIM、AIMSUN和HighDITS DataHub 美国智能交通数据库 NGSIM 概览 NGSIM项目包含三个部分：摄像头采集的真实数据集、核心仿真算法以及文档。 快速路车道选择算法（FLS） FLS（freeway lane selection）算法基于驾驶员在快速路上行驶会选择最优的目标车道这一概念，根据22个变量进行决策。
  • 车辆自然驾驶行为的轨迹预测数据集
    优质
    本数据集专注于收集和分析车辆在真实环境中的自然驾驶行为，通过大量实际道路测试获取精确的车辆运动轨迹，为自动驾驶技术的发展提供重要参考。 整理了一些常用的轨迹预测数据集的介绍。这些数据集包含了不同类型的应用场景，如行人、车辆以及无人机等移动对象的位置变化信息。每个数据集中都提供了详细的标注以帮助研究者进行模型训练与验证。通过使用这些资源，研究人员可以更深入地探索和理解轨迹预测领域的挑战和技术细节。
  • 基于LSTM的高速公路车辆轨迹预测PyTorch源码及数据集.zip
    优质
    本资源包含使用PyTorch实现的基于LSTM的高速公路车辆轨迹预测模型代码和相关数据集，适用于交通流分析与自动驾驶研究。 使用PyTorch实现基于LSTM的高速公路车辆轨迹预测的方法如下： 第一步：进行轨迹数据滤波。将原始US101和I-80的数据放入指定文件夹中，运行trajectory_denoise.py代码。 第二步：移除不必要的特征并添加新的特征，通过执行preprocess.py脚本实现这一过程。 第三步：根据需要加入横向与纵向的速度及加速度特性。这可以通过运行名为add_v_a.py的程序来完成。 第四步：采用滑动窗口方法提取8秒轨迹序列，使用代码文件“final_DP.py”进行处理。 第五步：合并US101和I-80的数据集，并为确保数据均衡性和充分利用数据集资源，随机选取了十组样本。每组按照6:2:2的比例分配给训练、测试及验证用途；通过运行merge_data.py脚本完成这些操作。 接下来进行模型的训练与评估： 1. 训练MTF-LSTM模型：使用代码文件“MTF-LSTM.py”。 2. 训练增强版SP模块的MTF-LSTM-SP模型：执行程序“MTF-LSTM-SP.py”。 以上步骤完成后，训练好的两个版本的LSTM模型将被保存在指定的algorithm文件夹内。
  • motion_detection_speed_estimation.zip_MATLAB轨迹识别与车辆速度估算_车辆轨迹分析
    优质
    本项目提供了一种基于MATLAB的车辆轨迹识别及速度估算方法，通过运动检测技术实现对视频中车辆轨迹的有效跟踪和精确速度估计。适用于交通监控、自动驾驶等领域的研究与应用开发。 利用MATLAB实现运动车辆的自动识别，并且能够提取车辆的轨迹、速度等信息。以下是详细的应用流程介绍。